Искусственный интеллект берет на себя значительную часть рутинных задач рекрутера, высвобождая время и ресурсы для стратегической работы. Проанализировав наши кейсы, обобщив экспертные мнения коллег и запросы клиентов, мы можем выделить основные процессы, которые рекрутеры передают ИИ.
Сортировка и скрининг резюме – это абсолютный лидер по автоматизации в рекрутменте.
В отличие от простого поиска по ключевым словам, современные алгоритмы на основе NLP способны распознавать взаимосвязи между навыками и опытом работы, что позволяет точнее оценить соответствие кандидата должности.
Вместо обработки сотен резюме рекрутер может получить 10-20 наиболее релевантных откликов за считанные минуты и сконцентрироваться на ключевых задачах: углубленном анализе короткого списка отобранных кандидатов; оценке soft skills, мотивации и соответствии культурным ценностям компании; углубиться в стратегию найма или личное взаимодействие с топ-кандидатами и т.д.
Однако несмотря на перечисленные преимущества, данное решение имеет риски. ИИ может неверно интерпретировать данные в резюме или не заметить перспективного кандидата с нестандартным профилем. Алгоритмы эффективны там, где есть цифры, но беспомощны, в определении человеческого потенциала. Робот отлично посчитает стаж, средний балл диплома или количество проданных товаров, но он не способен оценить способности или увидеть скрытый потенциал кандидата.
Но самый ключевой риск – это предвзятость алгоритмов, когда алгоритм работает идеально, но на неудачных примерах. Например, последние 10 лет в компании «Н» на должность инженера брали только мужчин. Алгоритм анализирует: «Все успешные сотрудники в базе — мужчины. Значит, пол = важный признак успеха».
Но однажды приходит высококвалифицированная женщина-инженер, и алгоритм ставит ей низкий рейтинг. Он не ненавидит женщин, он просто «думает»: «Я не знаю, что с тобой делать, ты не похожа на успешного сотрудника из моей таблички Excel».
Написание текста объявлений о вакансиях – инструмент, который рекрутер регулярно передает в работу ИИ. Его главное преимущество заключается в мгновенном создании концепта текста вакансии на основе короткого промпта. Это экономит часы рутинной работы, и рекрутер может сосредоточиться на более глубоком анализе требований позиции.
Однако существуют и «подводные камни» - вакансия без редактирования может потерять уникальный стиль, отражающий культуру, миссию и ценности компании, и стать непривлекательной.
Кроме того, система может сгенерировать неверные или избыточные требования к вакансии. Поэтому наиболее рабочей будет схема, при которой ИИ создает черновики вакансий и предлагает идеи, а человек редактирует их и добавляет конкретики.
Таргетирование на определенную группу кандидатов – ИИ превращает таргетирование из массового охвата в более точечный поиск нужных кандидатов. Алгоритмы анализируют профили и активность, чтобы найти кандидатов, подходящих по навыкам и культуре компании.
Сообщения вакансий автоматически адаптируются под разные группы соискателей (специалисты с опытом, студенты, руководители), и вместо одного универсального текста, создается несколько коммуникативных вариантов для каждой выборки. Таким образом, каждая версия говорит с аудиторией на её языке, отвечая на её главный вопрос: «Какие преимущества я получу при отклике на вакансию?»
При этом, существует риск, выражающийся в предвзятости системы. Дело в том, что алгоритм, обучаясь на исторических данных, может неосознанно исключать из выборки целые группы кандидатов (по возрасту, полу, образованию). Этого мы уже касались выше, когда речь шла о скрининге резюме. Вот почему таргетирование требует постоянного аудита со стороны рекрутера, несмотря на выдающиеся аналитические возможности системы.
Оценка навыков – применение алгоритмов для автоматического анализа, измерения и прогнозирования уровня компетенций кандидата. Это инструмент для помощи в формировании короткого списка компетенций, но окончательное решение должно приниматься рекрутером после личного интервью.
Оценка навыков с помощью ИИ несет в себе ряд рисков: не всегда очевидно, по какой логике система выставила оценку. Снова возникает проблема заложенной в алгоритм предвзятости (например, если исторически нанимали только кандидатов из определённых вузов).
Система может неверно интерпретировать творческий подход кандидата при решении задачи, стрессовую реакцию на запись или особенности коммуникации. ИИ — это отличный счетчик, но плохой психолог. Он видит только симптомы (покраснел, заикался, долго молчал, сделал не то, что написано в инструкции), но не понимает причины (жарко, стесняется камеры, особенности характера и т.д).
Отправка сообщений кандидатам – ИИ автоматизирует отправку сообщений на разных этапах воронки найма. Например, при первичном контакте чат-боты и ИИ-ассистенты пишут первое сообщение потенциальным кандидатам, найденным на работных сайтах и платформах, используя данные их профиля для персонализации.
Применяются и уведомления о статусе взаимодействия с кандидатом: автоматическая отправка сообщений о получении резюме, приглашение на собеседование, отказ или оффер. Система сама синхронизируется с ATS (системой управления наймом) и отправляет сообщения в нужный момент.
ИИ может вести диалог, отвечая на типовые вопросы кандидатов, напоминать о предстоящем собеседовании, запрашивать обратную связь или дополнительные вопросы от рекрутера. Основным преимуществом автоматизации сообщений служит экономия времени, которое рекрутеры тратят на рутинную переписку.
Однако существует риск, при котором процесс коммуникации может стать безликим. Кроме того, алгоритм не всегда может корректно ответить на нестандартный вопрос, а также допустить ошибку, неверно назвав данные из профиля кандидата.
Исключение предвзятости при оценке резюме – способность оценивать кандидатов на основе их компетенций, опыта и соответствия требованиям вакансии, исключая влияние субъективных факторов, оказываемых на рекрутера: симпатии, стереотипы, настроение.
На первый взгляд может показаться, что это тот же процесс, что и скрининг резюме, однако на практике у них есть существенные различия в целях и предмете оптимизации.
Основная цель сортировки и скрининга резюме заключается в быстром отсеивании неподходящих кандидатов, что значительно способствует экономии времени рекрутера, тогда как процесс исключения предвзятости направлен на обеспечение качества и справедливости – система должна обеспечить оценку кандидата в соответствии с релевантными критериями отбора и избежать использования стереотипов со стороны человека.
Предмет оптимизации тоже различается: если для скрининга важным критерием является соответствие формальным требованиям вакансии (навыки, опыт, образование), то для процесса исключения предвзятости – равные возможности для всех групп кандидатов, независимо от пола, возраста, происхождения и других защищенных признаков.
Исключение предвзятости подразумевает постоянный процесс аудита, настройки и критического осмысления. Человеческую предвзятость можно заметить и оспорить, тогда как с алгоритмической дело обстоит сложнее, так как не всегда понятно, почему система приняла то или иное решение.
ИИ ищет закономерности в больших данных и может находить взаимосвязи, которые не являются причинно-следственными. Затем система использует эти ложные закономерности для оценки кандидатов.
Например, в исторических данных компании 80% успешных менеджеров в резюме указали «горные лыжи», ИИ анализирует: горные лыжи = успешный менеджер.
Если не работать с алгоритмами, то может возникнуть ситуация, при которой кандидат с опытом, но с другим хобби получает более низкий балл, хотя связь между горными лыжами и управленческими навыками отсутствует.
Как мы построили прозрачный найм на данных и ИИ (и сэкономили 5+ часов в неделю)
В связи ростом заказов на подбор персонала команда Staffberry столкнулась с рядом вызовов: высокая нагрузка на HR-команду, тысячи откликов, долгая подготовка к сложным встречам с заказчиками, потеря данных в таблицах и субъективные оценки кандидатов. Нам необходимо было ускорить операционные процессы без потери качества и с возможностью аналитики каждого шага.
Как результат, в компании в компании был внедрен комплексный технологичный подход, который делится на три уровня: система учета (HRM), автоматизация процессов и усиление команд ИИ.
Единая HRM-платформа и прозрачная воронка
Мы используем облачную IT-платформу. Храним все данные о кандидатах в единой системе, позволяющей избежать потери резюме. Кроме того, была выстроена прозрачная воронка найма, что сделало каждый этап подбора (отклик, скрининг, интервью, оффер) оцифрованным.
Дополнительно, внедрили отчет по отказам. Это решение позволило нам лучше анализировать слабые места вакансий: если кандидаты массово «отваливаются» после прочтения описания — мы видим это в и меняем текст или условия.
Роль ИИ: ускорение рутины и подготовка
Мы интегрировали ИИ (чат) в повседневную работу, чтобы снять с команды рутинные процессы. Приведем цифры, которые наглядно покажут экономию времени.
- Декомпозиция интервью (Экономия 30 минут на кандидата)
Ранее после каждого интервью рекрутер тратил время на структурирование записей. Теперь мы прогоняем итоги через чат ИИ. Он декомпозирует встречу, формирует выводы и собирает все в единый структурированный формат. Это освобождает примерно 30 минут на каждого кандидата.
- Подготовка к брифам с заказчиками (экономия от 10 до 120 минут)
Один из сложных этапов — подготовка к встрече с нанимающим менеджером. Мы размещаем в чат ИИ первоначальный запрос от заказчика, и ИИ предлагает список вопросов, декомпозирует задачу, ищет возможные проблемные моменты.
Как результат, раньше мы могли гуглить и структурировать информацию часами (особенно по сложным или нишевым вакансиям), тогда как сейчас экономия времени варьируется от 10 минут до 2 часов в зависимости от сложности брифа.
- Стратегические сессии по воронке (экономия 3-4 часа в неделю)
Раз в неделю мы проводим встречи, где анализируем воронку и продумываем, как закрыть сложные вакансии. Раньше мы накидывали идеи вручную, а теперь передаем ИИ краткое описание вакансии и определение текущей ситуации, и система, в свою очередь, предлагает способы решения и каналы поиска.
У нас и у самих есть экспертиза, но ИИ выступает в роли помощника, который мгновенно генерирует варианты, экономя команде 3-4 часа совместного времени в неделю.
Минусы и ограничения в работе с ИИ
Мы не идеализируем технологию и всегда держим руку на пульсе. Важно понимать слабые места ИИ. Например, проблема актуальности данных: система не всегда считывает верную информацию, особенно в быстро меняющихся сферах. Например, когда мы запрашиваем аналитику зарплат на текущий момент, ИИ может выдать данные за 2023 год, которые уже нерелевантны.
Таким образом, мы используем ИИ в качестве инструмента для черновиков, структурирования и генерации идей, но финальное решение, проверка фактов и стратегический контроль всегда остаются за человеком.
Тем более, что участились случаи, когда кандидаты тоже используют ИИ для прохождения собеседований, и это отдельный кейс, который требует внимания со стороны рекрутера.
Журнал «Зарплата.ру» (март 2026)