За последние годы искусственный интеллект стал привычным инструментом в рекрутинге, когда скорость и масштаб подбора персонала критичны для бизнеса. Я вижу запрос со стороны управленцев на использование технологии, чтобы сократить срок закрытия вакансий, снизить стоимость ошибки и сделать процесс подбора более управляемым. ИИ логично вписывается в эту повестку: ускоряет первичный отбор, автоматизирует коммуникации, снижает нагрузку на рекрутеров. На уровне операционных метрик эффект часто заметен уже в первые месяцы. Проблемы начинаются позже – когда алгоритмы перестают быть инструментом и начинают незаметно подменять управленческие решения.
Почему ИИ не улучшает качество найма персонала
Основная проблема заключается не в самом использовании технологий, а в завышенных ожиданиях и некорректных сценариях их применения. ИИ в рекрутинге решает типовые задачи: первичный скрининг резюме, оценка соответствия профилю, автоматизация общения с кандидатами, анализ видеоинтервью, прогнозирование успешности найма и текучести кадров.
ИИ экономит время и повышает производительность HR-функции. Но я вижу и другую закономерность – качество найма зависит не от уровня автоматизации, а от того, где проходит граница ответственности алгоритма.
Основные риски проявляются в трех зонах:
- Алгоритмическая предвзятость. ИИ обучается на исторических данных компании. Если раньше бизнес нанимал людей с похожими карьерными траекториями, алгоритм воспроизводит эту модель и отсекает кандидатов, которые не укладываются в привычный шаблон, но могут быть сильны в новых условиях.
- Потеря управленческого контекста. Алгоритм хорошо работает с формальными признаками, но плохо видит потенциал, способность к обучению, адаптивность и лидерские качества кандидата. В результате компания получает «идеальных по резюме» сотрудников, которые не выдерживают реальной рабочей нагрузки.
- Правовые и репутационные риски. В ЕС инструменты ИИ для подбора и оценки кандидатов отнесены к категории высокого риска. Это означает повышенные требования к прозрачности, контролю и принятию решений. Непрозрачные алгоритмы и отсутствие объяснимости решений могут привести к искам со стороны кандидатов и проверкам регуляторов. В отличие от ЕС, в России нет отдельного закона, который прямо классифицирует ИИ в рекрутинге как высокий риск. Государство пока придерживается более мягкой модели: стимулировать внедрение, не перегружая бизнес жесткими запретами.
Масштаб проблемы растет по мере того, как ИИ из вспомогательного инструмента превращается в основу принятия решений.
Как внедрить ИИ в рекрутинговые процессы
На практике большинство ошибок возникает там, где ИИ используют как замену экспертизы, а не как ее усиление. Когда алгоритм самостоятельно отсекает кандидатов без выборочного аудита, участвует в финальном отборе управленцев или применяется без учета бизнес-контекста роли, начинаются системные кадровые риски. Компании, которые получают устойчивый эффект от ИИ в рекрутинге, идут по другому пути – рассматривают технологию не как замену HR-отдела, а как элемент управленческой системы.
Наиболее эффективный подход включает несколько принципов:
- Четкая постановка задачи. ИИ внедряется не «для ускорения найма», а для конкретных целей: сокращение сроков закрытия вакансии на определенных ролях, снижение нагрузки на рекрутеров, повышение качества первичного отбора.
- Гибридная модель. Алгоритм выполняет рутинные операции, но финальное решение остается за человеком. Особенно это критично для управленческих, инженерных и экспертных позиций.
- Контроль качества данных. Перед обучением модели компании пересматривают исторические данные, исключают искажающие факторы и регулярно сверяют рекомендации искусственного интеллекта с фактической успешностью найма.
- Прозрачность. HR-менеджеры понимают, по каким параметрам ИИ принимает решения, и где находятся границы его ответственности.
Где ИИ усиливает рекрутинг, а где начинает создавать риски
Эффект от применения технологий в рекрутинге напрямую зависит не от уровня автоматизации, а от типа задачи и цены кадровой ошибки. В работе с компаниями я вижу повторяющуюся закономерность: там, где процесс стандартизирован и масштабен, ИИ действительно усиливает рекрутинг. Там, где решение влияет на бизнес критически, автономность алгоритма начинает работать против компании.
- Первичный скрининг резюме – одна из безопасных зон применения ИИ. Алгоритмы, сравнивающие резюме с требованием вакансий, эффективно отбирают кандидатов по формальным признакам и снижают нагрузку на рекрутеров. Риск возникает тогда, когда автоматический отказ становится окончательным. Чтобы не терять нетипичных, но сильных кандидатов, важно сохранять выборочный ручной аудит отказов.
- В массовом и линейном найме полная автоматизация дает наибольший эффект. Чат-боты и автоматические воронки ускоряют коммуникации и позволяют обрабатывать большой поток кандидатов. Основной риск – деградация качества общения и рост отказов на поздних этапах. Этот риск снимается управленческим контролем: анализом конверсий, причин отказов и регулярной корректировкой сценариев.
- При оценке соответствия профилю ИИ-скоринг полезен как инструмент первичной ориентации, но становится небезопасным, если его воспринимают как объективную истину. Алгоритм оценивает опыт и навыки, но не видит потенциал. Лучше использовать ИИ как рекомендательную систему. Полная автоматизация возможна только для типовых ролей.
- Видеоинтервью с анализом речи и поведения – зона повышенного риска. Технологии плохо интерпретируют контекст и индивидуальные особенности. Такие инструменты допустимы лишь как источник гипотез, но не как основание для отказа.
- В экспертном и редком найме ИИ может быть полезен на этапе поиска и анализа рынка, но теряет эффективность при оценке соответствия конкретной бизнес-задаче. Здесь участие менеджера обязательно, а автономные решения алгоритма недопустимы.
- В Executive Search (поиск и найм руководителей высшего звена, высококвалифицированных или нишевых специалистов на ключевые должности) автономность ИИ становится критически опасной. Аналитические инструменты могут использоваться для оценки рынка и воронки, но оценка лидерского потенциала и управленческого стиля должна оставаться за человеком.
- Прогноз успешности найма с помощью аналитических моделей дает ориентиры, но часто создает ложное ощущение точности. Такие прогнозы необходимо регулярно сверять с фактическими результатами и использовать только как поддержку управленческих решений.
- Автоматические отказы кандидатам – зона репутационного риска. AI-шаблоны экономят время, но без контроля тональности ухудшают бренд работодателя. Полная автоматизация допустима только на ранних этапах массового найма.
Итого, чем выше цена кадровой ошибки, тем меньше автономности должно быть у алгоритма.
Выводы
ИИ в рекрутинге – вопрос управленческой зрелости. Это действительно снижает издержки и ускоряет процессы, но только в тех границах, которые бизнес определяет осознанно. Компании, которые проводят эту границу заранее, получают устойчивое конкурентное преимущество. Остальные – просто быстрее совершают те же кадровые ошибки.
Также читайте:
Спасибо, Алёна, за интересную статью.
Обратил внимание, что для вас ИИ — это средство автоматизации кадрового поиска, а не его заменитель.
При этом качество работы ИИ зависит от уровня интеллекта и опытности человека, который его настраивает и использует.
То есть ИИ — это приставка к интеллекту человека, а не наоборот.
Хотя и наоборот тоже бывает, и довольно часто.
Проблема HR-посредника между кандидатами и руководителями служб (реальными заказчиками) вечна, автоматизацией не решается. Но акценты сдвигаются.
Я вот читаю все эти казуальные статьи про ИИ, и умиляюсь.
Можно ли, например, поиск резюме по ключевым словам назвать ИИ, ежели это просто запросы в БД и они кое-как были возможны еще до SQL (который появился в 1974г.)? Очевидно, нет.
ИИ модели же по определению это математические структуры, обученные на большом количестве данных для выполнения конкретных задач без явного программирования каждого шага. А почему "без программирования" - потому что выявить скрытые закономерности и по ним написать ТЗ на классический алгоритм нельзя, или хотя бы с элементами fuzzy logic, звериное чутье эксперта не формализуешь.
И уж ладно еще банки со своим кредитным скорингом что-то там на миллионах заявок пытались выявить, имея обширные датасеты для train/test, ставя цель предсказать, уйдет ли заемщик в банкротство или нет.
И наплевав на квадрат false positive массово выдавали волчьи билеты отказов в кредите, хотя например финансовый кризис 2008 никакой ИИ предсказать заведомо не мог, как например и то, что человек банально заболеть ковидом мог, или утратить работоспособность в ДТП.
Но вот щас речь про найм, это здорово конечно что решили внедрять ИИ, но вот сразу же вопросы
1. Какие были датасеты для обучения, по составу, качеству данных, размеру? Кто в принципе может предоставить такое, допустим хотя бы в рамках одной отрасли и специализации? Кто-то вообще видел эти датасеты в глаза (и кстати не было ли там персональных данных например)?..
2. Что все-таки HR важно прогнозировать? Предположу, что это:
а) Хорошо ли кандидат будет работать? Но это субъективное понятие, а надо какой-то беспристрасный цифровой измеритель - допустим
б) Выполнился ли KPI? Так они разные у всех, как ИИ их выровняет и усреднит температуру по больнице? Ну не знаю, метраж прокопанных за смену траншей или залитого бетона в кубометрах. Но как потом сравнить бетонщика и землекопа между собой? Наверное, при подготовке датасета показатели нормализовали? Нормализовали ведь? )
в) Уволится ли он, как скоро и по какой возможной причине? Но ведь опять дьявол в деталях, а они обычно скрыты ото всех, и причины могут быть самые разные, от семейных обстоятельств, до неконкурентной з/п (просто предложили больше), токсичной атмосферы к коллективе, а попадет это в датасет в 95% с одной формулировкой "по соглашению сторон". В чем было дело расскажет 1 из 10, да и то возможно, слукавит, чтоб не портить отношения и мосты не сжигать. Но допустим из 1000 уволившихся мы имеем 100 адекватно заполнивших анкету. И как на этом что-то типа классификтора "жадный/склочный/вялый" вообще можно обучить - если на мизерном датасете модель моментально скатывается в оферфиттинг?
Но вот почему-то в статьях про этот наш знаменитый ИИ эти вопросы даже не упомянаются, а поднимается лишь один - как бы купить модного электронного болвана чтоб он из коробки сделал за нас всю работу, мы б отчитались за внедрение и получили премии, но чтоб при этом нас не уволили.
Так ведь в этом суть дела! Скорее всего, "машина выводов" - это нейросеть локальная. Такая нейросеть - черный ящик, практически с неизвлекаемыми механизмами рекомендаций (это не деревья решений, а что-то более новомодное и бестолковое с точки зрения интерпретаций) . Потому то Европа и пометила это как "инструмент повышенного риска" в оценке и подборе персонала.
Как размечались датасеты для обучения, тестирования - неизвестно. Как организовано (?) периодическое обновление моделей - тоже. Это очень непростая тема, про ИИ пишут много, но про это - очень мало. Автор справедливо указывает на риски использования устаревших моделей, которые и обучались на старых датасетах.
Мне видится, что ответ будет определяться другим вопросом: какой процент HR/PR/коучей/психологов и проч. имеют хоть отдаленное представление о том, как именно происходит активация нейронов в нейросетях, какие различия дают активаторные функции, чем определяется топология самих сетей, и как промпты калибруют обратную связь? Все эти вопросы лежат в области технических особенностей организации ИИ, а рядовой пользователь видит лишь "коробку".
Но на рынке есть шум про ИИ: все побежали, надо бежать. Куда, зачем - не время думать, надо внедрять (тут раньше обычно еще подкупающая новизной игра с запятой в статьях была: "внедрять нельзя ждать"), а потом на выборке в 10-100 человек надо описывать инсайт про успешность отработки тысяч нейронов. На практике для минимально качественного результата лучше иметь по 30+ образцов на каждый нейрон.
Лучшее, что сможет сделать ИИ в области HR на текущий момент - это просто сравнить частотную таблицу слов в резюме с неким предзаданным шаблоном для отсева явно "некачественных" кандидатов (условно, корректора, который пишет с ошибками). Все остальное - просто иллюзия, которая помогает кадровикам выглядеть "современно" и вводить в заблуждение менеджмент, "ведущийся" на рассказы о том, что "машина отобрала кандидатов". Премия за внедрение "передовых решений", про которые можно будет дальше рассказать в презентации инвесторам, обычно и является главным драйвером всего движения.
Всё правильно.
Проблема, возможно, намного шире.
Достаточно много публикаций о чрезмерных вложениях в инфраструктуру AI и слишком небольшой отдаче от этих вложений. Как оправдаются ожидания - прежде всего финансовые - пока оценить нельзя. Парллельно растут страхи, угрозы, всевозможные риски и количество фактов неправомерного использования данных, утечек и фальсификаций на всех уровнях. Немедленная реакция - срочные меры регулятора вплоть до судебных исков, запретов и приоритетной разработки ранее не существовавших законодательных актов и норм и практик на уровне государств.
Если через некоторое время начнётся процесс сокращения и оттока инвестиций в связи с угрозой (или уже фактом) очередного пузыря, отрасль AI будет выглядеть иначе. Что останется от упоминаемых в статье (хотя без каких-то деталей) сервисов AI для HR, и как именно ими еще можно будет пользоваться с пользой для работодателя - не берусь гадать.
Хотел бы дождаться обычного финала, когда уходят спекулянты и приходят инженеры.
Есть ли действительно хорошие примеры в этом жанре?
Для оценки качества инструмента нужно как-то сравнить варианты работы с ним и без него.
Я вот что еще забыл, там же часто упомянают, прости Госсподи, чат-ботов, в качестве успешного кейса того самого ИИ.
Но опять-таки, классический (и кстати наиболее надежный) чат-бот это конечный автомат, работающий по жесткому workflow, в конце которого решение, допустят ли кандидата до общения с нанимающим менеджером или нет.
Кстати эта функция встроенна в hh.ru - вам дается несколько вопросов перед откликом (хотя у вас возможно ответы указаны в резюме), и если вас не взбесит необходимость биться об этот опросник, вас пустят дальше. И по вопросам видно, что на самом деле важно, опросник действительно не позволит бездумно откликнуться (не солгав) на нерелевантную вакансию, и сэкономит время всех участников.
А раньше это была девочка, которая звонили и выясняла важные параметры голосом. И да, с приходом мессенджеров и чат-ботов в них ее заменили, т.е. без шуток те чат-боты - пример успеха и экономии.
Но вот зачем вместо этого опросника вдруг ставят LLM, которого можно самого подгрузить условно полезной работенкой, озадачив каким-нибудь промптом и потратив его казеные токены, это конечно загадка. )
Пока что ответа кроме "модно, молодежно" ответа у меня нет, но по поводу лояльности могу сказать, если после нескольких минут я понимаю что общался с электронным болваном выдающим себя за живого оператора, а опции соедить с ним не имеется, я теряю уважение к такой организации навсегда.
Если электронный болван еще и звонит голосом, пытаясь сквозь шум улицы распознавать мои слова, вообще цензурных слов подобрать не могу, к тем кто принял такое мудрое управленческое решение.
Каких-то особых прорывов бы я не назвал, но для понимания вектора развития могу привести пару кейсов.
Кейс А.
Поиск при помощи Perplexity резюме, которые соответствуют модельным примерам. На первом этапе формулируются требования к должности, затем при помощи ИИ формируются положения, которые нужно выискивать в CV, потом уже по этим условиям ищутся конкретные кандидаты. Аналог: просто "умная" воронка, не более.
Кейс В.
Несколько лет назад в рамках кадрового бизнеса приходилось вести переговоры по объединению усилий с проектной командой, которую фондировал один зеленый банк. Суть технологии состояла в поиске оптимальных кандидатов на обучение в IT. Реализация предполагала изучение карьерных треков пула кандидатов для оценки вероятности успеха в зависимости от накопления опыта и стажа в специальности. Если упрощать: разделив позиции на стаж можно получить скорость движения по карьерной лестнице. Примерно на таком же уровне происходила оценка вероятности сделать из сферического бухгалтера некое подобие программиста. Проект у нас не сформировался, а команда ушла в разработку какого-то софта. Тем не менее, уровень применимости ИИ в HR оценить можно.
Чат-боты - это отдельная тема, зачастую "цифровизация бизнеса" ими и заканчивается. А LLM тем и подкупает, что "из коробки все", пусть и в виде черного ящика. Логрегрессию, байесовские классификаторы, деревья решений под конкретные вопросы настраивать нужно, а с LLM можно и поговорить "за жизнь", что многих сильно подкупает. Имитация работы при этом выполняется превосходно. Да и крайний всегда есть.
Часто вопрос краткосрочной экономии: решили на ФОТе сэкономить, а в итоге потерялось качество работы. Пример приведу. После отъезда одного из акционеров персонал из одного желтого банка стал оседать в одном красном банке. Видимо, в этом "оптовом завозе" была и какая-то доля ИТшников, что привело к резкому обострению увлечения ИИ, но падению качества обслуживания в том виде, как я его понимаю. Пришлось расстаться. А они пусть продолжают с ИИ баловаться, развлекая себя разными способами. Бездумность при внедрении ИИ зачастую просто отражает общую небрежность мыслительного процесса, а вот это уже напрямую вредит бизнесу.