AI для HR и подбора персонала: что можно доверить машине, а что нельзя

Почему HR — хороший кандидат на автоматизацию

Работа рекрутера на входе воронки устроена почти механически. Приходит отклик, его нужно открыть, прочитать, понять, есть ли у человека нужный опыт, найти телефон, позвонить, задать пять одинаковых вопросов и записать ответ. Умножьте это на поток вакансий — и получите специалиста, который тратит основную часть дня на действия, не требующие квалификации.

Именно эта часть и автоматизируется. Признаки того, что у вас есть смысл в AI-подборе:

• Поток откликов стабильно большой. Массовые линейные позиции, розница, склад, колл-центр, курьеры — там, где счёт идёт на десятки и сотни откликов.
• Отклики приходят из разных источников. Джоб-борды, форма на сайте, мессенджеры, рекомендации — и всё это надо свести в один список.
• Первичный разговор шаблонный. Если у вас есть скрипт из пяти вопросов, который вы задаёте каждому, — его можно вынести из головы рекрутера в систему.
• Скорость ответа влияет на результат. На массовых позициях кандидат часто уходит к тому, кто ответил первым, а не к тому, кто платит больше.

Разбор потока откликов

Самый простой и самый окупаемый сценарий. Система забирает отклики из всех каналов, приводит их к одному формату и раскладывает по вакансиям. Дальше на каждый отклик модель извлекает структурированные поля: город, опыт по нужному направлению, наличие прав или допуска, контакты, готовность к графику.

Что здесь важно понимать: извлечение фактов из текста — задача, с которой современные языковые модели справляются надёжно, потому что это не оценка, а перевод свободного текста в таблицу. Ошибки тут бывают, но они видны и проверяемы: рекрутер открывает карточку и сравнивает с резюме за пятнадцать секунд.

Дополнительный эффект — мгновенный первый ответ кандидату. Автоматическое сообщение «получили ваш отклик, вот что дальше» снимает половину звонков «а вы меня видели?» и удерживает человека в воронке.

Скрининг резюме: где проходит граница

Скрининг — это уже оценка, и здесь начинается зона риска. Модель может сопоставить резюме с описанием вакансии и выдать оценку соответствия. Проблема в том, что «соответствие» — понятие мягкое, и модель охотно обоснует любую позицию убедительным текстом.

Рабочий подход — не просить у модели вердикт, а просить проверку конкретных, заранее сформулированных критериев. Разница принципиальная.

Третья колонка проверяема. Рекрутер видит, на основании чего система отнесла кандидата в стопку, и может за секунду поймать ошибку. Первая колонка непроверяема: балл «7 из 10» не говорит ни о чём и не оспаривается.

Отдельно про вариант «не указано». Его обязательно нужно разрешить модели как отдельный ответ. Иначе на любом пропуске в резюме она начнёт додумывать, и вы получите отсев людей за то, чего они просто не написали.

Первичное интервью в переписке и голосом

Следующий слой — автоматический первичный контакт. Бот в мессенджере или голосовой ассистент задаёт кандидату базовые вопросы: подтвердить актуальность поиска, уточнить график, зарплатные ожидания, готовность приехать на встречу. Ответы попадают в карточку.

Что это реально решает: снимает с рекрутера десятки коротких звонков, где половина заканчивается «я уже вышел на работу». Что это не решает: оценку человека. Никакой автоматический диалог не заменит разговор, в котором рекрутер слышит интонацию, задаёт уточняющий вопрос и понимает, впишется ли человек в команду.

Если вы идёте в голосовой сценарий, отдельно почитайте про голосовых AI-роботов для звонков — там разобраны требования к уведомлению собеседника и ситуации, где робот раздражает вместо того, чтобы помогать.

Риск дискриминации: это не абстракция

Любая система отбора воспроизводит закономерности, заложенные в данных и в критериях. Если критерии сформулированы небрежно, отсев начинает коррелировать с признаками, которые не имеют отношения к работе.

Типичные способы получить перекос, не желая того:

• Оставить в данных лишние признаки. Пол, возраст, фото, гражданство, семейное положение, адрес — если они не требуются для работы, их не должно быть на входе модели.
• Обучать на исторических решениях. «Отбирай похожих на тех, кого мы брали раньше» — это прямой способ закрепить прошлые перекосы найма и назвать их объективностью.
• Использовать косвенные признаки. Год окончания вуза заменяет возраст, название района — социальный статус. Формально возраста нет, фактически он есть.
• Не проверять результат. Без регулярного сравнения состава отобранных с составом откликнувшихся перекос просто никто не заметит.

Практическая гигиена простая: подавайте на вход только то, что относится к требованиям вакансии; храните обоснование по каждому отсеву; раз в месяц выгружайте статистику и смотрите на неё глазами. И держите в голове главное — ответственность за решение по кандидату в любом случае остаётся на компании, а не на подрядчике и не на модели.

Персональные данные: что нужно решить до запуска

Резюме и отклики — это персональные данные, и их обработка регулируется законом 152-ФЗ. Это не повод отказываться от автоматизации, но повод пройти несколько шагов до, а не после запуска.

1. Определить правовое основание обработки и оформить согласия там, где они требуются. Это вопрос к вашему юристу, а не к интегратору.
2. Понять, куда физически уходят данные. Внешний облачный сервис — это передача данных третьему лицу со всеми вытекающими требованиями. Локальное решение этот вопрос снимает, но стоит дороже — сравнение вариантов есть в статье своя модель или API провайдера.
3. Ограничить объём. Передавать в модель нужно минимум полей, необходимый для задачи. Паспортные данные и адрес в скрининге не нужны никогда.
4. Настроить сроки хранения и удаление. База откликов, которая копится годами «на всякий случай», — это риск без пользы.
5. Прописать правила для сотрудников. Чтобы рекрутер не копировал резюме в первый попавшийся публичный чат — нужен внутренний документ, см. регламент использования AI в компании.

Общие принципы защиты данных при внедрении разобраны отдельно в материале про безопасность данных при внедрении AI.

Чего AI в найме не делает

Честный список ограничений, который стоит проговорить до старта проекта:

• Не оценивает мотивацию и адекватность. Текст резюме и ответы боту об этом не говорят почти ничего.
• Не предсказывает, приживётся ли человек. Любые обещания «прогноза успешности сотрудника» стоит проверять очень скептически.
• Не заменяет хорошее описание вакансии. Если требования размыты, автоматизация просто быстрее отсеет не тех.
• Не чинит воронку, в которой некому звонить. Если после отбора кандидаты ждут ответа три дня, проблема не в скрининге.
• Не окупается при малом потоке. Один-два найма в квартал — ручная работа дешевле.

Как измерить, что стало лучше

До запуска зафиксируйте текущие значения, иначе через месяц будет невозможно понять, что изменилось. Минимальный набор метрик:

• Время от отклика до первого контакта.
• Доля откликов, обработанных вообще (в ручном режиме часть всегда теряется).
• Конверсия «отклик → интервью с рекрутером» и «интервью → выход на работу».
• Часы рекрутера на одну закрытую вакансию.
• Доля отсеянных, которых рекрутер при выборочной проверке вернул бы обратно, — это прямой показатель качества скрининга.

Последняя метрика самая важная и почти всегда забывается. Проверяйте выборочно тех, кого система отклонила, — именно там прячутся ошибки, которые в обычной статистике не видны. Подробнее о подходе к замерам — в материале как измерить эффект от внедрения AI.

В найме автоматизация окупается на скорости и на объёме, а не на «умном отборе». Как только вам обещают, что модель лучше рекрутера выберет человека, — стоит задавать много вопросов. — команда Aivonix

С чего начать

1. Соберите все отклики за месяц в один список и посчитайте, сколько из них вообще были обработаны.
2. Замерьте среднее время до первого ответа кандидату.
3. Выпишите свои критерии отбора в виде проверяемых вопросов «да / нет / не указано».
4. Запустите автоматизацию только на сборе, разборе и первом ответе — без автоотказов.
5. Через месяц сравните цифры и выборочно проверьте отсеянных.

Такой заход даёт быстрый результат, не создаёт правовых рисков и оставляет решение там, где оно должно быть, — у человека.