Искусственный интеллект в подборе: что уже работает, а что пока красиво продают

Идея звучит заманчиво: поставить «умную» систему, нажать пару кнопок — и она сама находит идеальных кандидатов, проводит интервью и закрывает вакансии быстрее любого рекрутера. Реальность гораздо прозаичнее. Искусственный интеллект в подборе действительно умеет полезные вещи, но не так волшебно, как его часто рекламируют.

Ниже — разбор: где ИИ уже работает, где это пока игры в маркетинг и как HR‑специалисту не стать жертвой модных обещаний.

Популярное по теме

90 чек-листов по всем направлениям для HR и бизнес-тренеров: подборка от экспертов hrtime.ru

Полезные инструменты по подбору, оценке персонала, обучению, консалтингу, разработке СОТ, корпоративной культуре, коучингу, кадровому учету и карьерному консультированию в одном месте.

Посмотреть подборку

Как ИИ вообще может помочь в подборе

Чтобы понять, где ИИ полезен, важно разложить подбор на понятные этапы. Почти в любом процессе найма есть одинаковые шаги:

• нужно понять, кого мы ищем;
• собрать отклики и заявки, а если таковых мало, то найти резюме подходящих кандидатов;
• отобрать релевантных людей;
• пообщаться и оценить;
• принять решение и довести до оффера.

ИИ‑инструменты цепляются к этим шагам и автоматизируют конкретные задачи. Но далеко не всё, что называется «ИИ для подбора», действительно является ИИ. Иногда это просто:

• обычная автоматизация (скрипты, фильтры, статусные воронки);
• красивые дашборды;
• старый добрый поиск по ключевым словам, переименованный в «AI‑matching».

Поэтому важно разделять: вот тут действительно используются модели, которые учатся на данных и что‑то предсказывают, а вот здесь — обычный софт, пусть и полезный.

Где ИИ действительно уже помогает рекрутерам

Есть несколько зон, где ИИ уже приносит понятную, измеримую пользу.

Помощь в составлении вакансий и писем кандидатам

Генеративные модели (типа современных больших языковых моделей) отлично помогают:

• быстро набросать текст вакансии под нужную аудиторию;
• адаптировать описание под разные площадки;
• подготовить вежливые письма, ответы отказа, шаблоны переписки.

Практическая польза:

• экономится время рекрутера на «черновиках»;
• можно легко тестировать разные формулировки и смотреть, какие дают больше откликов.

Главное — не публиковать сырые тексты «как есть». Хорошая связка: ИИ пишет черновик, рекрутер правит под реальность и тон компании.

Автоматический просмотр резюме и откликов

Это одна из самых востребованных областей. Системы умеют:

• быстро просматривать сотни резюме;
• вычленять ключевые навыки;
• оценивать совпадение с требованиями вакансии по заданным критериям.

Рабочий вариант: ИИ отбирает условный топ‑50 резюме из 500, а рекрутер уже смотрит их вручную. Это не «отбор вместо человека», а фильтр от нерелевантных откликов.

Что важно:

• модель должна быть обучена на ваших или схожих данных;
• должны быть чёткие настройки: что считать «релевантностью» — опыт, стек технологий, уровень английского и т.д.

Чат‑боты на этапе первичного контакта

ИИ‑боты могут:

• отвечать кандидатам на типовые вопросы: зарплата, формат работы, локация, этапы отбора;
• собирать базовую информацию: желаемый доход, опыт, локация;
• иногда — проводить первичный скрининг по заранее заданным вопросам.

Реальная польза:

• снимается часть нагрузки с рекрутера по однотипным диалогам;
• кандидаты получают быстрые ответы, даже вечером и в выходные.

Но бот не должен притворяться «живым рекрутером», который «чувствует» человека. Кандидаты обычно лучше реагируют, когда честно сказано: «С вами общается ассистент. Если вопрос сложный — передам специалисту».

Подсказки по рынку и аналитика

ИИ и продвинутая аналитика помогают:

• оценить, насколько реалистичны ваши требования к кандидату;
• подсказать вилку зарплат по рынку;
• показать, где искать нужных специалистов и на каких площадках.

Это умение агрегировать большие объёмы данных и выдавать удобные подсказки.

Где обещания продавцов ИИ пока сильно обгоняют реальность

Есть несколько направлений, где звучит много красивых обещаний, но практического эффекта мало.

«Идеальное предсказание успеха кандидата»

Фраза из презентаций: «Наша система точно предсказывает, кто останется с вами надолго и покажет лучший performance». На практике:

• ни одна модель не может учесть все факторы: команду, менеджера, культуру, изменения в компании;
• данные для «обучения» часто грязные и неполные;
• многие ИИ‑оценки опираются на косвенные признаки, которые плохо объяснимы.

В ограниченных сценариях (однотипные позиции, большое количество исторических данных, стабильная среда) такие модели могут давать плюс. Но использовать их как «машину истины» — прямой путь к ошибкам и юридическим рискам.

Оценка «софт‑скиллов» по видео и голосу

Популярный маркетинговый тезис: «Наш ИИ по выражению лица и тону голоса определяет эмпатию, стрессоустойчивость и честность». Звучит эффектно, но:

• научных доказательств надёжности таких предсказаний мало;
• сильное влияние контекста: камера, освещение, качество связи, волнение;
• риск дискриминации: акцент, особенности мимики, культура общения.

Максимальное безопасное применение сейчас — как вспомогательный инструмент: например, автоматическая расшифровка интервью и поиск ключевых тем, но не «оценка характера по мимике».

Автоматический «культурный фит»

Заявление «ИИ поймёт, подходит ли человек под нашу культуру» выглядит красиво. На практике:

• «культура» компании обычно описана туманно и описание часто не совпадает с реальностью;
• есть опасность закрепить и усилить однородность команды («похож на нас»), что может вести к предвзятостям;
• критерии часто скрытые и не объясняются кандидатам.

Сейчас любые алгоритмы, связанные с «культурным фиттом», стоит воспринимать крайне осторожно. Максимум — использовать ИИ, чтобы анализировать, какие ценности кандидаты проговаривают, но решение принимают люди.

Как отличить реальный ИИ‑инструмент от маркетингового хайпа

Чтобы не покупать «магический ящик», полезно задавать поставщикам простые четкие вопросы.

Какие задачи конкретно решает ваш продукт?

Если в ответ — общие слова вроде «оптимизируем найм с помощью передовых нейросетей», это тревожный сигнал. Должно быть:

• «сокращаем время первичного отбора, потому что…»;
• «лучше ранжируем отклики по релевантности, потому что…».

Идеально, если есть примеры из похожих вам компаний: отрасль, размер, тип вакансий.

Какие метрики вы улучшаете и как это измеряли?

Попросите показать:

• базовые цифры: во сколько раз снизилось время обработки откликов, выросла конверсия, уменьшилась стоимость найма;
• как именно проводились пилоты: на какой выборке, сколько длились, была ли контрольная группа «как раньше».

Если в ответ только красивые графики без методологии — относитесь настороженно.

Как вы проверяете модель на предвзятости и дискриминацию?

Задача ИИ‑подбора — не усиливать существующие перекосы. У ответственного поставщика должны быть:

• процедуры проверки модели на смещения;
• возможность отключать или ограничивать чувствительные параметры;
• прозрачное описание, какие данные используются и как.

Если компания избегает этого разговора или отмахивается — это риск и для бренда работодателя, и для юристов.

Можно ли управлять и настраивать модель?

Если модель полностью «чёрный ящик», который нельзя ни настроить, ни понять решения — это неудобно и опасно.

Есть ли живые отзывы и результаты пилотов

Важно не столько количество логотипов на сайте, сколько:

• готовность клиентов говорить предметно;
• кейсы с цифрами до/после;
• наличие не только восторженных, но и честных отзывов — с ограничениями и нюансами.

Главное — относиться к ИИ в подборе как к набору полезных, но ограниченных инструментов. Тогда он перестаёт пугать, начинает экономить время и действительно помогает делать найм более предсказуемым, честным и удобным для всех участников процесса.