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:
Можно поподробнее, меня интересует научная база психологии. Хотя с логикой впринципе я согласен, меня интересует принцип.
Я не возражаю созвониться, просто нужно понять спектр вопросов для обсуждения. Пока сделать это непросто.
Здесь, на портале, присутствуют и профессиональные управляющие, и дипломированные психологи, которым конкретика в данной области может быть интересна. Если есть предметная новизна, некое know-how, которое помогает лучше комплектовать позиции в штатном расписании - ее с большим интересом встретят все участники сообщества, как мне кажется.
А в отношении комментариев - совершенно не стоит беспокоиться о неудобстве. Во-первых, соционические типы вполне могут быть обработаны в рамках обучения ИИ-модели, а это соответствует предмету статьи. Во-вторых, любое обсуждение поднимает рейтинг статьи, чем напрямую помогает автору. Недавно мы в одной ветке обсуждали особенности дешифровки древнеегипетских иероглифов, и портал это пережил.
Поэтому я предлагаю начать обсуждение здесь, получить отклик от коллег и совместно определить практическую применимость предлагаемых разработок для повышения долгосрочной эффективности бизнеса.
С тех пор, как мы ее таковой посчитали.
Вы можете иметь другое мнение, можете не иметь мнения вообще, можете транслировать то, что написано в википедии.
Но ни большинством, ни ссылкой на звания наука не развивается.
Иначе сидеть бы нам всем до сих пор по пещерам.
Но это все слова. И если у Вас нет других вопросов, то ...
Спасибо. Больше никаких вопросов. Всё понятно.
Легко. Здесь можно посмотреть на различные аспекты психологии, например:
психоанализ - в медицине (неврология) и литературе;
когнитивная психология - в кибернетике и теории информации.
Еще много разных школ имеется в рамках отдельных направлений, но все они применяют общенаучные методы познания, задача которых состоит в получении: 1) объективных (независимых от наблюдателя); 2) верифицируемых (повторяемых в разных условиях) и 3) системных (непротиворечащих имующемуся на текущий момент научному корпусу знаний) выводов, направленных на формировние предсказательной способности в отношении поведения людей. При этом (в отличие от естественных наук) границы психологии являются менее четкими, что дает возможность обитать в "серых зонах" большому числу шарлатанов и носителей околонаучных гипотез.
Думаю, коллеги-психологи смогут более подробно расширить данное направление, но вектор - единый: методы, используемые в психологии, потому и называются общенаучными, что характерны для использования в рамках любого научного знания. Так, требования к постановке эксперимента в физике и психологии не различаются с организационной точки зрения, как единой остается и методология статистической обработки собранных результатов.
Эксперты OpenAI и Anthropic предупредили о рисках стремительного развития ИИ.
Ряд ведущих специалистов покинули свои должности в знак протеста против якобы халатности руководства корпораций, не учитывающих риски чрезмерного внедрения ИИ в жизнь человека, сообщил (https://tass.ru/ekonomika/26429549?ysclid=mljjhiaior225610764) Axios.
Хорошо.
На самом деле сама соционическая тема уже стала достаточно глобальной.
По сравнению основами, заданными К.Г. Юнгом, а также с существующей параллельно MBTI, соционика на текущий момент - это "многомерный" комплекс взаимосвязанных параметров (точнее алгоритмов) работы психики (естественно, если не рассматривать многочисленные, но разными социониками по разному упрощенные модели).
Чтобы сильно не грузить заинтересовавшихся, я думаю стоит начать с одной из наиболее понятных дихотомий и соответственно с ее экспериментального наблюдения:
ИНТУИЦИЯ-СЕНСОРИКА (У Юнга - это соответственно ИНТУИЦИЯ-ОЩУЩЕНИЕ)
И прямо, но кратко к эксперименту.
Постановка эксперимента:
Предмет исследования. Психический феномен зависимости поведения людей от их типологических особенностей.
Объект исследования. Три группы испытуемых: две группы участников с типами, соответствующими полюсам исследуемого признака (7 интуитов, 6 сенсориков и 8 человек в контрольной смешанной группе)
Отбор испытуемых в группы осуществлялся из числа прошедших определение соционического типа в НИИ Соционики.
Методология проведения эксперимента. Эксперимент проведен как лабораторный, психологический, в искусственно созданных условиях посредством целенаправленного управления экспериментаторами ситуацией, внешней для групп испытуемых, способствующей максимальному проявлению изучаемого феномена типологических особенностей психики.
Были применены методы: контролируемого (Кравченко, 2014), включенного (участвующего), открытого (Ломоносова, Добреньков, Кравченко, 2004) наблюдения.
В качестве независимой переменной эксперимента (Мартин, 2004), целенаправленно подвергаемой изменению, было использовано разделение испытуемых на две экспериментальные группы, сформированные с учетом принадлежности их типов к разной полярности соционических признаков. Чтобы результаты наблюдений в ходе эксперимента, могли быть сравнимы с некоторым средним эталоном, в экспериментальную ситуацию была введена третья контрольная (смешанная) группа (Мартин, 2004). Все три группы в процессе эксперимента были поставлены в одинаковые условия.
Зависимая переменная (Мартин, 2004) – это вербализованные мысли, чувства испытуемых, их невербальное поведение, зарегистрированные группой экспертов в протоколах, а также с помощью технических средств записи: диктофонов и видеокамер, индивидуальных анкет испытуемых.
Было применено маскирование предмета исследования по методу двойного слепого эксперимента (Мартин, 2004). То есть основная масса экспертов и все испытуемые не знали ни состав групп, ни то, какой признак наблюдался в конкретной сессии.
Проверяемая гипотеза. Исследование позволит экспериментально обосновать влияние типологической составляющей психики человека, описываемой признаком «интуиция-сенсорика», на его поведение.
Из трех заданий продемонстриую результаты выполнения только одного (в силу его максимальной показательности)
Задание (трем группам испытуемых: интуитам, сенсорикам и контрольной группе):
«Идеальный дом». Используя бумагу, клей, ножницы и фломастеры, группы должны были построить «идеальный дом» и презентовать его.
Группа №1
Дом-трансформер:
Группа №2
Дом–баня:
Учитывая информацию ниже (для справки), я думаю Вы сможете предположить: какой группой какой результат был получен.
***********************************************
И для справки
Разница восприятии информации.
С помощью сенсорики психика собирает информацию о пространственных характеристках, об ощущениях,
поэтому завершенная картина мира дает описания качеств объектов здесь и сейчас. В том числе сведения о самочувствии, надежности, силе, выносливости.
С помощью интуиции психика собирает информацию о времени, рассматривает развитие процессов из прошлого в будущее, возможности и вероятности, формирует целостный взгляд на ситуацию, дает предсказание еще не случившихся событий.
Интуиты лучше видят ситуацию в целом, глобально
Сенсорики же внимательнее к частностям, подробностям.
**********************************
К сожалению, попытка разместить в этих комментариях фотографии результатов выполнения заданий не удалась.
Поэтому даю ссылку, где их можно посмотреть
https://socionics.ru/bazis-unga1/intuit-sensor1/689--q-q
Готов ответить на ваши возможные вопросы.
Еще немного о том, что не так с промышленным использованием AI.
Аналитики Gartner объяснили рост стоимости решения проблем при помощи ИИ в первую очередь увеличением затрат на центры обработки данных. Также они упомянули переход компаний-поставщиков решений в области искусственного интеллекта от субсидируемого роста к прибыльности.
Иными словами, сейчас многие ИИ-компании на фоне бума нейросетей вкладывают колоссальные ресурсы в свое развитие и зачастую работают с чистыми квартальными и годовыми убытками. Для примера, по прогнозам издания The Information, компания OpenAI, разработчик нейросети ChatGPT, может завершить календарный 2026 г. с чистым убытком в пределах $14 млрд. Это почти втрое выше прогнозируемых потерь компании по результатам 2025 г.
Отдельно в отчете Gartner упомянуты постоянно усложняющиеся сценарии использования нейросетей, что негативно сказывается на их стоимости для компаний, закупающих их услуги. Чем сложнее сценарий использования, тем больше токенов они потребляют. Кроме того, это приводит к найму большего числа ИИ-специалистов в штат, и не простых, а высококвалифицированных и, следовательно, дорогостоящих.
На сайте немного долго происходит загрузка изображений, но технически сам функционал работает. Нужно просто дольше ждать.
Исследование прочитал. Вывод исследователей:
"Результаты проведенных исследований показали возможность прогнозирования поведения людей в соответствии с их типологическими различиями. Особенно ярко это проявляется при создании команд однородных по типологическому составу – резонансных групп."
В целом - да, понятно. У меня возникла ассоциация: "чем старше человек - тем больше ему лет." Конечно, различия интуитов и сенсориков будут влиять на их групповую динамику. Но с точки зрения бизнеса собственник решает иную задачу: сформировать динамику группы (!), в наибольшей степени сонаправленную вектору создания стоимости. В терминах выручки это транслируется как создание команды, способной предлагать практически пригодные решения либо 1) за счет большей устойчивости к давлению задач (модель "колл-центр"), либо 2) за счет большей изобретательности в отношении вариантов генерации прибыли (модель "креативный бухгалтер"). С этих позиций достаточно неочевидно, как созданный испытуемыми "дом на гусеничном ходу" может быть полезен как критерий найма.
С другой стороны - если мы рассматриваем решение прикладной задачи по подбору сотрудника - мне неочевидно, какой из этих двух групп отдать предпочтение. В то же время, исходя из биологического понятия нормы реакции, я вполне могу представить те границы, в которых представители обеих групп будут проявлять сходную динамику, то есть не будет отмечаться статистическая разница в средних по выборкам.
И именно это возвращает нас к исходному посылу: какой конкретно практический результат за пределами обычных границ функционирования сотрудника может дать именно соционика в рамках подбора кадров для работающего предприятия (не стартапа)? Чем конкретно она превосходит традиционные методики найма и тестирования? В идеале - рассмотреть бы пример, где такая разница могла бы неоспоримо прослеживаться.