CVy ulepszone przez SI łamią procesy rekrutacyjne w 2026 roku. Oto rozwiązanie

Porozmawiajmy o doświadczeniach rekruterów z CV wspieranymi przez sztuczną inteligencję.

Rola: średniozaawansowany inżynier DevOps. Skupienie na infrastrukturze chmurowej, doświadczenie z Kubernetesem niezbędne, preferowane doświadczenie w branży usług finansowych. Dobrze napisany brief, konkurencyjne wynagrodzenie zasięg, renomowany pracodawca. Standardowe rzeczy.

Do czwartku rekruter otrzymał 200 aplikacji.

Liczba ta była nietypowa, ale nie budziła niepokoju. Atrakcyjne stanowiska w branży specjalistycznej przyciągają wielu kandydatów. Nietypowe było to, co odkryła po otwarciu tych zgłoszeń. Niemal bez wyjątku podania były wyjątkowo dobrze napisane. Przejrzysta struktura. Pewny język techniczny. Określone liczbowo osiągnięcia: “skróciłem czas wdrożenia o 43%”, “zarządzałem infrastrukturą obsługującą 2,3 miliona aktywnych użytkowników dziennie”, “kierowałem migracją 14 mikrousług do architektury kontenerowej”. Gdyby oceniała wyłącznie na podstawie formy, mogłaby zakwalifikować do dalszego etapu czterdziestu kandydatów.

Sporządziła skróconą listę dwudziestu dwóch. Pod koniec pierwszego tygodnia wstępnych rozmów telefonicznych miała problem. Kandydaci, którzy pewnie pisali o orkiestracji Kubernetes, nie potrafili wyjaśnić różnicy między wdrożeniem a stanowym zestawem, gdy zapytano ich bezpośrednio. Inżynierowie, którzy dokumentowali wiodące migracje infrastruktury, stawali się niejasni, gdy pytano ich, co konkretnie zbudowali w przeciwieństwie do tego, co odziedziczyli. Ilościowe osiągnięcia, delikatnie naciskane, rozpływały się w przybliżeniach.

Miała dwudziestu dwóch kandydatów na papierze. Miała czterech przez telefon.

To nie jest odosobniona historia. To nowa normalność w procesie rekrutacji w 2026 roku, a zgromadzone dane są już wystarczająco obszerne, aby wyjaśnić dokładnie, co się dzieje i co rzeczywiście rozwiązuje ten problem.

Skala problemu CV wzmocnionego przez AI w 2026 roku

To już nie jest przypadek brzegowy, który dotyka garstkę nieszczęsnych rekruterów.

Obecnie 70 procent osób poszukujących pracy korzysta z generatywnej sztucznej inteligencji podczas poszukiwania zatrudnienia, co stanowi wzrost w porównaniu z zaledwie 39% odnotowanym dwa lata temu. Trzydzieści jeden procent kandydatów przyznaje, że wykorzystuje sztuczną inteligencję do bezpośredniego generowania lub “optymalizacji” swoich CV., co oznacza, że znacząca część każdej puli aplikacji miała bezpośredni udział sztucznej inteligencji w jej tworzeniu.

Problem z wolumenem pogłębia problem z jakością. Wiele z największych na świecie agencji rekrutacyjnych podaje obecnie, że nawet 70% otrzymanych CV zawiera informacje wprowadzające w błąd lub niemożliwe do zweryfikowania. The New York Times opisał to zjawisko jako “AI sludge”, czyli falę masowo generowanych aplikacji zasypujących rekruterów niskiej jakości, automatycznie wypełnioną treścią, która często jest wprowadzająca w błąd i mnoży się na masową skalę.

Wymiar oszustwa jest również mierzalny, a nie tylko anegdotyczny. Firma Huntress zajmująca się cyberbezpieczeństwem we wrześniu 2025 r. wprowadziła system wykrywania oszustw do swojego procesu rekrutacyjnego i zidentyfikowała 23,2% kandydatów jako potencjalnych oszustów w okresie trzech miesięcy. Gartner przewiduje, że do 2028 roku jedna czwarta profili kandydatów będzie fałszywa, trajektorią, która według obecnych wskaźników wykrywania już wyprzedza harmonogram.

Poufność w zespołach rekrutacyjnych odpowiednio spadła. Zaledwie 19% menedżerów ds. rekrutacji jest całkowicie przekonanych, że ich obecny proces pozwoliłby wykryć oszukańczego kandydata, i 72% rekruterów zetknęło się już z fałszywymi podaniami o pracę wygenerowanymi przez sztuczną inteligencję, zawierającymi między innymi zmyślone informacje o przebiegu kariery zawodowej oraz wymyślone referencje.

Najbardziej dotknięte role to te zdalne, cieszące się dużym zapotrzebowaniem i łatwe do skwantyfikowania: wyspecjalizowane technologie, finanse ilościowe i niektóre role konsultingowe. Dokładnie tego rodzaju rekrutacja techniczna na poziomy mid-senior, gdzie jeden zły kandydat jest najdroższy.

Jak naprawdę wyglądają aplikacje wspomagane przez sztuczną inteligencję

Pierwszą rzeczą, którą rekruterka zrobiła inaczej, była zmiana pytania. Nie “czy ten kandydat wygląda odpowiednio?”, ale “czy to napisał człowiek?”.”

Drobne oznaki były subtelne, ale spójne, gdy już wiedziała, czego szukać. Stwierdzenia o osiągnięciach tak precyzyjne, że aż nieprawdopodobne, gdzie konkretny procentowy wzrost nie mógł zostać wyjaśniony, gdy kandydata zapytano o to, jak został zmierzony. Słownictwo techniczne używane poprawnie w kontekście, ale bez specyficznej dla kogoś, kto naprawdę żyje w danym obszarze technicznym, głębi. Narracje kariery, które były spójne i dobrze ustrukturyzowane, ale w jakiś sposób generyczne, opisujące doświadczenia, które mogłyby należeć do każdego kompetentnego inżyniera DevOps, a nie do specyfiki tego, co ta konkretna osoba faktycznie zrobiła.

To w większości nie jest oszustwo w celowym sensie. Wielu prawdziwych kandydatów używa sztucznej inteligencji do poprawy pisania, sprawdzania gramatyki lub przygotowania się do aplikacji., a większość z nich nie próbuje oszukać. Rywalizują w środowisku, w którym trafnie postrzegają, że jakość prezentacji wpływa na wyniki. Problemem systemowym jest coś innego: gdy narzędzia AI podnoszą ogólny poziom jakości aplikacji, CV traci swoją wartość jako mechanizm różnicujący. Wszyscy wyglądają dobrze na papierze.

Ma to szczególne znaczenie w przypadku rekrutacji na stanowiska średniego i wyższego szczebla technicznego opisanych w naszym przewodniku po Niedobór talentów IT w Polsce, gdzie konkurencja o prawdziwie zdolnych specjalistów jest już intensywna, zanim jeszcze pojawią się aplikacje wspomagane przez sztuczną inteligencję.

Dlaczego standardowe skanowanie ATS zawodzi w przypadku CV napisanych przez AI

Drugie dochodzenie rekruterki dotyczyło jej własnego procesu. Przejrzała 200 zgłoszeń, stosując metody, których zawsze używała: obecność słów kluczowych, kwantyfikacja osiągnięć, logika rozwoju kariery, jakość prezentacji. Każdy z tych sygnałów został naruszony.

Obecność słów kluczowych była najbardziej oczywistą zepsutą opcją filtrowania. Narzędzia AI optymalizują CV w systemach śledzenia kandydatów z precyzją, której żaden ludzki kandydat nie osiągnąłby ręcznie, ponieważ narzędzia te potrafią odczytać opis stanowiska, zidentyfikować prawdopodobne słowa kluczowe dla filtrów ATS i naturalnie je osadzić. Większość systemów ATS dla przedsiębiorstw analizuje tekst CV i dopasowuje go do słów kluczowych z opisu stanowiska, ale odczytują to, co jest na stronie, zamiast tego weryfikować. Historia zatrudnienia jest analizowana, a nie weryfikowana, więc zawyżone tytuły i fikcyjne firmy przechodzą bez przeszkód. Kandydat, który nigdy nie miał do czynienia z Terraform w produkcji, może mieć CV, w którym jest on poprawnie wspomniany cztery razy we właściwych kontekstach.

Kwantyfikacja osiągnięć została w specyficzny sposób zmanipulowana. Nie poprzez zmyślone liczby, ale dzięki narzędziom sztucznej inteligencji, które na podstawie niejasnego opisu zakresu obowiązków generują wskaźnik brzmiący wiarygodnie. “Przyczynił się do usprawnienia procesów wdrażania” zamienia się w “skrócił czas cyklu wdrożenia o 38% poprzez wdrożenie usprawnień w zautomatyzowanym potoku CI/CD”. Wartość 38% nie jest fikcyjna w tym sensie, że została wymyślona z niczego. Została ona wywnioskowana na podstawie ogólnej wiedzy o tym, jakie efekty zazwyczaj przynoszą takie usprawnienia, i nie da się jej zweryfikować na podstawie samego CV.

Liczby potwierdzają, jak bardzo to pokonuje automatyczne sprawdzanie. 63% osób składających fałszywe podania przechodzi selekcję CV przeprowadzaną przez sztuczną inteligencję i otrzymuje oferty pracy, podczas gdy osoby o numerze 96% nigdy nie zostają wykryte, ponieważ systemy ATS analizują dane kwalifikacyjne, ale nie weryfikują tożsamości. Czterdzieści dziewięć procent amerykańskich rekruterów automatycznie odrzuca CV, co do których podejrzewają, że zostały wygenerowane przez sztuczną inteligencję., co rozwiązuje jeden problem, potencjalnie tworząc inny: fałszywe odrzucanie uczciwych kandydatów, którzy odpowiedzialnie użyli sztucznej inteligencji do dopracowania, a nie stworzenia, swoich zgłoszeń.

Wniosek rekruterki był jednoznaczny. Kryteria oceny, których używała, mierzyły jakość pisania przez AI, a nie możliwości kandydata. Potrzebowała zupełnie innych kryteriów.

Jak wygląda realna zdolność na papierze

Zanim przeprojektowała swój proces rekrutacyjny, rekruterka wróciła do czterech kandydatek, które zrobiły na niej wrażenie podczas rozmowy telefonicznej, i ponownie przeczytała ich aplikacje, szukając różnic w charakterze, a nie w jakości.

To, co odkryła, było specyficznością pewnego rodzaju. Nie wypolerowaną, generyczną specyficznością wygenerowanego przez AI oświadczenia o osiągnięciach, ale specyficznością wynikającą z opisu pracy, którą dana osoba faktycznie wykonała. CV jednej z kandydatek zawierało informację o awarii produkcji spowodowanej źle skonfigurowanym load balancerem, procesie diagnostycznym, naprawie oraz zmianach w monitoringu wprowadzonych później. Żadne narzędzie AI nie wygeneruje tego dobrowolnie, ponieważ jest to specyficzne, mało efektowne i pośrednio przyznaje, że coś poszło nie tak. Inna kandydatka opisała wybór technologii, powody, dla których wybrała konkretny stos narzędzi monitorujących zamiast alternatywnych, z pewnego rodzaju stanowczym uzasadnieniem, które wynika tylko z faktycznej oceny opcji.

Jedna trzecia miała nietypową ścieżkę kariery, okres pracy w firmie, o której rekruter nigdy wcześniej nie słyszał, a następnie ruch, który wyglądał bardziej na ruch boczny niż awans. Na papierze mogło to zostać odrzucone podczas standardowego przeglądu kwalifikacji. Przez telefon nieznana firma okazała się miejscem, gdzie wykonywał najciekawszą pracę nad infrastrukturą w swojej karierze, a ruch boczny był celowy, aby dołączyć do zespołu budującego coś, czego chciał się nauczyć. CV nie wyjaśniało tego kontekstu. Rozmowa telefoniczna go ujawniła.

Czterowarstwowe Ramy Przesiewowe, Które Naprawdę Działają

Rekruterka przebudowała swój proces na podstawie tych ustaleń. Ramy te są możliwe do zastosowania w każdej roli specjalistycznej, gdzie aplikacje wspomagane przez sztuczną inteligencję zniekształcają sygnał, co w 2026 roku dotyczy większości z nich.

Warstwa Pierwsza: Czytaj z Podejrzaną Perfekcją

Pytanie diagnostyczne zmienia się z “czy to wygląda na mocne” na “gdzie jest to podejrzanie idealne?”. Ogólnikowe stwierdzenia są teraz żółtą flagą, a nie zieloną. Warto szukać niedoskonałej specyfiki prawdziwego doświadczenia: nieliniowego momentu w karierze, konkretnej decyzji technicznej wraz z uzasadnieniem, projektu, który zakończył się niepowodzeniem i co wydarzyło się potem. Te sygnały nadal są rzeczywiście trudne do przekonującego wygenerowania przez AI, ponieważ wymagają faktycznego, przeżytego doświadczenia, aby je stworzyć.

Warstwa Druga: Strukturalny Pisemny Ekran Przed Połączeniem

Krótki pisemny test, wysłany przed rozmową telefoniczną, wypełniany w ciągu dwudziestu do trzydziestu minut, skonstruowany tak, aby było prawie niemożliwe dobrze go odpowiedzieć bez autentycznej wiedzy domenowej. Nie “opisz swoje doświadczenie z Kubernetes”, które generuje pomocniczy tekst AI niezależnie od tego, kto odpowiada. Zamiast tego: “Opisz konkretną sytuację, w której wdrożenie Kubernetes zachowało się nieoczekiwanie. Jaki był objaw, jaki był proces diagnostyczny i co znalazłeś?” Odpowiedź w ciągu dwóch akapitów ujawnia, czy kandydat pracował w tym środowisku, czy opisuje je z zewnątrz.

Warstwa trzecia: Głębokie ekrany telefonu, nie listy kontrolne zasięgu

Ekran telefonu został przeprojektowany wokół głębokości, a nie zakresu merytorycznego. Zamiast przechodzić przez listę kontrolną zaczerpniętą z opisu stanowiska, osoba przeprowadzająca rozmowę kwalifikacyjną wybiera dwa lub trzy konkretne obszary i zagłębia się w nie. “Wspomniałeś o przeprowadzeniu migracji do skonteneryzowanej architektury. Opowiedz mi o jednym punkcie decyzyjnym, w którym musiałeś wybrać między opcjami. Jakie były opcje, co wybrałeś i dlaczego?” Dalsze pytania dotyczą szczegółów: kto jeszcze był zaangażowany, jakie były argumenty przeciwne, co zrobiłbyś inaczej teraz.

To podejście ma za sobą rzeczywiste badania, całkowicie niezależne od problemu oszustw związanych ze sztuczną inteligencją. Wywiady ustrukturyzowane są konsekwentnie bardziej wiarygodnymi i trafnymi predyktorami wydajności pracy niż wywiady niestrukturyzowane., i fundamentalna meta-analiza Schmidta i Huntera, syntetyzująca 85 lat badań nad selekcją personelu, wykazała, że ustrukturyzowane wywiady mają współczynnik trafności wynoszący 0,51, co stanowi około dwukrotność dokładności predykcyjnej wywiadów niestrukturyzowanych. Te pytania mają na celu ustalenie faktycznego poziomu wiedzy kandydata, precyzyjnego punktu, w którym kończy się rzeczywiste doświadczenie, a zaczyna generalizowanie.

Warstwa czwarta: Ocena praktyczna na żywo, a nie do domu

Dla kandydatów, którzy przejdą pierwsze trzy etapy, przewidziany jest praktyczny, na żywo lub ustrukturyzowany, przeprowadzony w czasie rzeczywistym, zadanie wymagające od kandydata wykazania się konkretną umiejętnością wymaganą na stanowisku. W przypadku stanowiska DevOps w tej historii oznaczało to trzydziestominutowe ćwiczenie rozwiązywania problemów na żywo w uszkodzonym środowisku, z konkretnymi objawami przedstawionymi kandydatowi. Ćwiczenie to nie ma na celu oszukania. Ma na celu obserwację sposobu myślenia kandydata w realistycznych warunkach, czego sztuczna inteligencja nie może zrobić w imieniu kandydata w czasie rzeczywistym.

Testy próbki pracy mają najwyższą trafność predykcyjną spośród wszystkich badanych metod rekrutacji, ze współczynnikiem korelacji wynoszącym .54, wyprzedzając testy rozmów kwalifikacyjnych i testy ogólnych zdolności umysłowych. Tradycyjne zadania domowe są jednak teraz zagrożone przez te same narzędzia AI, które zagroziły etapowi CV. Oceny muszą przesunąć się w stronę ćwiczeń opartych na scenariuszach, spontanicznych, które wymagają rozwiązywania problemów w czasie rzeczywistym pod presją, skupiając się na punktach danych specyficznych dla kontekstu, których model językowy nie może szybko wyszukać ani zapisać.

Koszt błędu, gdy się pomylisz

Koszt rezygnacji z tej odbudowy nie jest abstrakcyjny.

Zgłoszone straty wynikające z oszustw związanych z zatrudnieniem wzrosły z $90 mln w 2020 r. do ponad $501 mln w 2024 r., co stanowi wzrost o 457% w ciągu czterech lat, według sieci FTC Consumer Sentinel Network. W sektorach wrażliwych na zgodność z przepisami, takich jak opieka zdrowotna, finanse i rekrutacja prawników, uwierzytelnienie sfałszowane odnośnie do niewłaściwej roli może narazić zarówno agencję rekrutacyjną, jak i klienta na kary regulacyjne i odpowiedzialność cywilną., daleko wykraczając poza koszt ponownego przeprowadzenia wyszukiwania.

Istnieje również cichszy koszt, który nie trafia na pierwsze strony gazet: zmarnowany czas menedżera ds. rekrutacji. Każdy kandydat, który przejdzie słaby proces selekcji i dotrze do finałowej rozmowy kwalifikacyjnej, zanim zostaną odkryte jego braki, pochłonął godziny czasu starszego inżyniera lub menedżera ds. rekrutacji, które silniejszy proces selekcji by zaoszczędził. Praktyczny koszt mierzy się straconym czasem rekruterów i zespołów ds. zatrudnienia, którzy przeglądają aplikacje o niskim znaczeniu, wygenerowane przez sztuczną inteligencję., czas, który narasta w każdej otwartej rekrutacji w kanale firmy.

Dążenie do jakości jest już widoczne w sposobie, w jaki zareagowali główni pracodawcy. Do połowy 2025 roku firmy, w tym Google i McKinsey, ponownie wprowadziły obowiązkowe osobiste lub na żywo kroki weryfikacyjne, specjalnie w celu przeciwdziałania oszustwom w wywiadach z wykorzystaniem sztucznej inteligencji.. Ta zmiana odzwierciedla szersze uznanie w całej branży: czysto zautomatyzowane procesy filtrowania nie są już wystarczające same w sobie na rynku, gdzie docierające do nich aplikacje zostały zaprojektowane tak, aby je przejść.

Dla firm zatrudniających na rynkach takich jak Polska, gdzie ta sama dynamiczna aplikacja wspomagana przez SI pogłębia już i tak dotkliwy niedobór starszych talentów technicznych, stawka jest jeszcze wyższa. Błędna ocena kandydata kosztuje więcej czasu na rynku, gdzie pula prawdziwie wykwalifikowanych kandydatów jest już wąska, o czym piszemy w naszym przewodniku dotyczącym częste błędy popełniane przez zagraniczne firmy podczas rekrutacji w Polsce.

Dlaczego rekruterzy specjalistyczni są systemowym rozwiązaniem, a nie tylko lepszym filtrem

Indywidualne dochodzenie rekrutera doprowadziło do indywidualnych ram. Jednak strukturalny problem, jakim jest zalew specjalistycznych kanałów rekrutacyjnych aplikacjami wzmocnionymi przez sztuczną inteligencję we wszystkich sektorach i regionach jednocześnie, wymaga reakcji systemowej, a nie tylko zastosowania sprytniejszej metody przez jednego rekrutera w izolacji.

Najskuteczniejszą systemową odpowiedzią dostępną dla pracodawców w 2026 roku jest współpraca ze specjalistycznymi rekruterami, którzy posiadają wystarczającą wiedzę domenową, aby przeprowadzać tego rodzaju weryfikację śledczą z prędkością, przy każdym wyszukiwaniu, jako standardową praktykę, a nie jednorazowe rozwiązanie.

Specjalista ds. rekrutacji DevOps, który spędził pięć lat na tym konkretnym rynku, wie, jak brzmi prawdziwe doświadczenie w zakresie infrastruktury chmurowej po dziesięciu minutach rozmowy. Wie, które firmy w tej branży są znane z rozwijania prawdziwie silnych inżynierów, a które z otaczania niewielkiej liczby kompetentnych osób znacznie większą liczbą przeciętnych. Dokładnie wie, które kolejne pytania odróżniają prawdziwą wiedzę od jej wyrafinowanego udawania. W efekcie prowadzi tę samą analizę dla każdego kandydata, zanim oferta trafi do klienta, co stanowi różnicę między menedżerem ds. zatrudnienia widzącym czterech potencjalnych kandydatów po przesiewie dwudziestu dwóch wstępnych rozmów a widzącym czterech potencjalnych kandydatów, ponieważ dokładnie taki był wynik prezentacji.

Tę konkretną wartość dostarcza rekrutacja specjalistyczna w erze aplikacji ulepszonych przez sztuczną inteligencję: nie tylko dostęp do kandydatów, ale weryfikacja ich kompetencji przez kogoś z głęboką wiedzą dziedzinową, kto może ją przeprowadzić wiarygodnie i w ilości wymaganej przez współczesne procesy rekrutacyjne. Alternatywą, polegającą na przetwarzaniu przez filtry słów kluczowych aplikacji dopracowanych przez AI i nadziei, że rozmowa telefoniczna wyłapie braki, jest proces, który poskutkował 200 zgłoszeniami, dwudziestoma dwoma rozmowami telefonicznymi i czterema wartościowymi kandydatami w historii, od której zaczął się ten przewodnik.

Najczęściej zadawane pytania

Jak powszechne są CV wspomagane przez AI lub fałszywe w 2026 roku?

Bardzo powszechne. Siedemdziesiąt procent poszukujących pracy korzysta obecnie z generatywnej sztucznej inteligencji w poszukiwaniu zatrudnienia., i Aż 70% CV otrzymanych przez niektóre z największych na świecie agencji rekrutacyjnych zawiera informacje wprowadzające w błąd lub niemożliwe do zweryfikowania. Oszustwo w czystej postaci, zamiast prostego retuszowania, dotyczy mniejszego, ale nadal znaczącego odsetka: W okresie trzech miesięcy pod koniec 2025 r. 23,21 TP3T kandydatów zostało oznaczonych jako potencjalni oszuści w ramach wewnętrznego procesu rekrutacyjnego jednej z firm zajmujących się cyberbezpieczeństwem.

Czy oprogramowanie ATS potrafi niezawodnie wykrywać CV wygenerowane przez AI?

Nie samo. 63% osób składających fałszywe podania przechodzi selekcję CV przeprowadzaną przez sztuczną inteligencję i otrzymuje oferty pracy, a 96% nigdy nie zostaje wykrytych, because standard ATS tools parse credentials for keyword relevance rather than verifying whether the underlying claims are true. Most parsing engines also operate with significant accuracy limitations and lack contextual intelligence to flag mismatched job titles or unsupported skill claims.

Is it wrong for candidates to use AI on their CV at all?

No, and treating every AI-assisted CV as fraudulent is itself a mistake. Many genuine candidates use AI to improve grammar, structure, and clarity, which is materially different from inventing skills or fabricating achievements. The screening challenge is distinguishing between AI-assisted presentation of real experience, which is now standard practice, and AI-generated fabrication of experience that does not exist.

What is the single most effective change a recruitment team can make?

Move depth earlier in the process. A structured written screen and a depth-focused phone interview, conducted before any panel or final-round interview, filters out the candidates who present well but cannot perform, before they consume senior hiring manager time. Structured interviews carry roughly twice the predictive validity of unstructured ones, and this advantage holds entirely independent of the AI-CV problem, making it worth implementing regardless of how the fraud landscape evolves.

Should companies use specialist recruiters instead of building this screening in-house?

For high-stakes, specialist, or senior technical hires, generally yes. Building genuine domain-level interrogation capability, the kind that catches the gap between “lists Kubernetes” and “has operated Kubernetes in production”, takes years to develop internally. Specialist recruiters who already operate inside a specific technical market carry that judgement as a standard part of their process, which is precisely the kind of capability verification our Rekrutacja IT network is built around.

Hiring technical specialists where screening quality genuinely matters? Explore our guide to the Niedobór talentów IT w Polsce, see how foreign companies most often get hiring wrong in our guide to common hiring mistakes in Poland, or read Rekrutacja IT w Polsce: Gdzie firmy znajdą najlepszych deweloperów w 2026 roku for how specialist recruiter networks close searches that generic screening cannot.