Самый быстрый способ потерять хорошего кандидата — ответить ему через три дня, когда он уже вышел на работу к конкурентам. Скрининг резюме с помощью AI обычно продают как «умный отсев», хотя главные деньги в подборе теряются не на отборе, а на медленном первом контакте и ручной сортировке сотен откликов. Условная, но узнаваемая картина: на вакансию менеджера по продажам пришло двести откликов, до собеседования дойдут восемь, и рекрутер тратит день, чтобы отсеять остальных по формальным признакам, — иначе не успеть. Ниже — что в первичном отборе кандидатов действительно стоит отдать AI, где он ошибается опаснее всего и какие юридические границы здесь не обсуждаются.
Скрининг резюме — это четыре разные задачи, и автоматизировать можно не все
Скрининг резюме — это первичная обработка откликов: проверка формального соответствия вакансии, приведение резюме к сопоставимому виду, уточнение недостающих сведений и решение, кого звать на собеседование. Для автоматизации эти задачи годятся по-разному.
Формальная проверка соответствия. Есть ли требуемый опыт, отрасль, права, готовность к разъездам. Автоматизируется хорошо: критерии однозначны, ошибку легко проверить.
Структурирование резюме. Разные форматы приводятся к одной схеме: стаж, роли, отрасли, достижения. Здесь AI сильнее всего — именно потому, что у всех свой формат и жёсткие правила ломаются на втором же резюме, свёрстанном в виде инфографики.
Первичный контакт и уточнение. Задать три-четыре вопроса, ответов на которые нет в резюме: ожидания по зарплате, сроки выхода, готовность к формату работы. Это десятки коротких звонков, которые рекрутер иначе делает сам.
Оценка потенциала кандидата. А вот здесь начинается зона, где автоматизация опасна. Об этом ниже, и подробно.
Главный эффект — скорость первого касания, а не качество отсева
Кандидат на линейную позицию откликается сразу на несколько вакансий. Пока его резюме лежит в очереди на просмотр, другие работодатели ему уже звонят. Поэтому время от отклика до первого контакта влияет на воронку сильнее, чем любые тонкости отбора: хороший кандидат, до которого вы не дошли, не становится хуже — он просто становится чужим сотрудником.
Вторая по величине экономия — структурирование. Когда все резюме приведены к одной таблице с сопоставимыми полями, рекрутер сравнивает кандидатов между собой, а не «по ощущению от вёрстки». Решения становятся быстрее и, что важнее, сравнимыми.
Как понять, есть ли у вас эта проблема, — без всякого AI. Выгрузите из системы подбора даты откликов и даты первого контакта за последние три-четыре вакансии и посмотрите на разрыв. Затем спросите у рекрутера, сколько кандидатов «пропало» между откликом и звонком. Если разрыв короткий и никто не пропадает, скорость у вас уже есть, и главный аргумент за автоматизацию отпадает.
Где AI в подборе ошибается опаснее всего
Нестандартные траектории. Кандидат сменил отрасль, был перерыв в стаже, опыт описан непривычными словами. Модель, настроенная на типичный профиль, отсеет его как несоответствующего, — а среди таких людей часто оказываются самые мотивированные.
Косвенная дискриминация. Если модель учится на прошлых решениях компании, она воспроизводит и прошлые предубеждения. Не потому что «предвзята», а потому что добросовестно копирует закономерность из данных: раньше брали таких — значит, такие и подходят.
Формулировка вместо содержания. Кандидат, умеющий писать резюме, выигрывает у кандидата, умеющего работать. Человек тоже этому подвержен, но модель усиливает эффект: текст — единственное, что она видит.
Вердикт: модель ошибается не чаще рекрутера, но тише и в одну и ту же сторону. Именно поэтому её ошибки нужно искать специально.
Отказ «так решила система» — не ответ кандидату и не ответ суду
Ключевое ограничение простое: отказ в приёме на работу — решение работодателя, и статья 64 Трудового кодекса запрещает необоснованный отказ, в том числе по обстоятельствам, не связанным с деловыми качествами кандидата. Кандидат вправе письменно потребовать сообщить причину отказа, и работодатель обязан ответить письменно; отказ можно обжаловать в суде. «Так решила система» на роль такой причины годится плохо.
Второй слой — закон о персональных данных. Статья 16 152-ФЗ запрещает принимать решения, порождающие юридические последствия для человека или иным образом затрагивающие его права, исключительно на основании автоматизированной обработки его данных — кроме случаев с его письменного согласия и случаев, предусмотренных федеральными законами. Автоматический отказ без участия человека, скорее всего, попадает под это ограничение; как квалифицировать ваш конкретный процесс, лучше уточнить у юриста. Моя позиция проще: строить подбор на таких отказах я бы не стала даже при оформленном согласии.
Отсюда рабочая конструкция: AI ранжирует и структурирует, решение об отказе принимает человек и может его обосновать. Это не бюрократия, а разница между законным процессом и будущим спором.
Третье ограничение — сами персональные данные. Резюме содержит их в полном объёме, и передача в сторонний сервис требует тех же оснований, что и любая другая обработка: нужно знать, где физически обрабатываются данные и на каком основании. Общие требования разобраны в статье про запись разговоров и 152-ФЗ — логика та же.
Смещение модели проверяется до запуска, копиями одного резюме
Смещение в отборе — не абстрактный риск, а измеримая величина. Проверять её нужно до запуска, а не после жалобы, и специальные инструменты для этого не нужны.
Метод простой: возьмите набор резюме и сделайте копии, изменив в каждой только один признак, который не влияет на деловые качества, — имя, возраст, город, перерыв в стаже. Прогоните обе версии и сравните оценки. Если они расходятся, модель учитывает то, чего учитывать не должна.
Смещение чаще всего находится не там, где его ждут. Оно рождается из формулировок: модель, которой велели искать «кандидата с непрерывным опытом», будет систематически понижать всех, у кого был перерыв, включая тех, кто ухаживал за ребёнком. Лечится это переформулировкой критериев, а не запретом на признак. Чем опасны кадровые решения по одной цифре от алгоритма, подробнее разобрано в статье о кадровых решениях по данным AI.
Ранжировать, но не отсеивать: схема, которая не ломается
Устойчивый процесс отличается от неустойчивого одним: автоматика в нём никогда не выносит окончательного решения, но реально экономит время.
Конструкция из трёх слоёв. Первый — структурирование: все резюме приводятся к единому виду. Второй — ранжирование: кандидаты сортируются по соответствию, но никто не удаляется. Третий — решение: рекрутер идёт по списку сверху вниз и останавливается, когда набрал нужное число.
Разница с автоматическим отсевом принципиальная. Плохо ранжированный кандидат остаётся в списке и будет замечен, если сильные закончились. Отсеянный исчезает навсегда, и ошибка модели становится необратимой.
Порядок внедрения из этого следует сам:
- Начните со структурирования. Первый месяц модель только приводит резюме к единому виду — вы видите качество работы, не рискуя потерять ни одного кандидата.
- Отсев — только по формальным критериям. Тем, которые вы готовы назвать вслух и написать в отказе. Сам отказ и тут подтверждает человек.
- Пограничных — к человеку. Всё, что не проходит уверенно, идёт в отдельную стопку на просмотр, а не в отказ.
- Регулярная проверка отказов. Раз в месяц рекрутер просматривает случайные двадцать отказов. Так ловятся систематические ошибки модели.
- Кандидату — человеческий ответ. Автоматический отбор не должен превращаться в автоматическое молчание.
Что писать кандидату при отказе
Безликий отказ обходится дороже, чем кажется: он попадает на сайты отзывов, обсуждается в профессиональных сообществах и влияет на отклик на следующие вакансии.
Формулировка «ваш опыт не соответствует требованиям вакансии» бесполезна и раздражает, потому что не сообщает ничего. Работает конкретика в одном предложении: какого именно требования не хватило. «Мы искали опыт продаж в B2B от трёх лет» проверяемо и никого не унижает.
И не ссылайтесь на автоматический отбор как на причину. Решение принимает работодатель, а не программа. А для кандидата «вас отсеяла система» звучит как «вас даже не читали», и именно такие отказы чаще всего становятся публичными.
Архив старых откликов — самый дешёвый источник кандидатов
У компании, которая нанимает регулярно, копятся сотни отклонённых резюме. Обычно они лежат мёртвым грузом, хотя дешевле источника кандидатов не бывает.
Причина прошлого отказа часто была ситуативной: не было подходящей вакансии, кандидат просил больше, чем закладывали, не хватало одного навыка. Через год ситуация меняется у обеих сторон. Поиск по структурированному архиву под новую вакансию занимает минуты.
Одно ограничение: хранить персональные данные кандидата можно при наличии основания и в пределах срока. Согласие на обработку обычно даётся на определённое время, после которого данные удаляются. Поэтому архив ведут с явными датами, а не бессрочно.
Когда AI в скрининге резюме не нужен
Честно: во многих компаниях он не нужен вовсе.
Если вы открываете несколько вакансий в год и на каждую приходят десятки откликов, а не сотни, рекрутер разберёт их быстрее, чем вы настроите модель и проверите её на смещение. Если вы ищете руководителей или редких специалистов, решает не сортировка резюме, а поиск и разговор — там автоматический скрининг отсеет как раз тех, ради кого затевался поиск. Если первый контакт уже происходит в тот же день, главный денежный эффект у вас есть и без AI.
AI в первичном отборе оправдан при массовом подборе на линейные позиции: поток откликов большой, критерии формальные, скорость первого касания влияет на то, кого вы вообще успеете нанять. И даже там начинать стоит с измерения, а не с покупки: записать, сколько времени проходит от отклика до контакта и сколько кандидатов теряется на этом отрезке, и договориться, какое изменение этих двух цифр будет считаться успехом. Так мы в 404ai подходим к любому процессу — от цели и метрики к пилоту, с заранее записанным условием остановки; метод описан на странице подхода. Наша основная практика — отделы продаж, и если подбор нужен именно туда, стоит заодно посмотреть на типичные ошибки при найме менеджеров: часть из них AI не исправит.
Чего ждать на самом деле и как это проверить за месяц
Реалистичный результат на массовом подборе выглядит скромнее рекламы: первый контакт происходит быстрее, рекрутер тратит меньше времени на сортировку, до собеседования доходит больше кандидатов — за счёт скорости, а не за счёт «умного» отбора. Качество финального решения остаётся на человеке, и это правильно.
Проверка на своих данных укладывается в месяц. Возьмите одну массовую вакансию, запишите время до первого контакта и долю дошедших до собеседования, включите только структурирование и автоматический первый контакт, а отсев оставьте рекрутеру. Через месяц сравните цифры и заодно просмотрите двадцать случайных резюме, которые модель поставила в конец списка.
Если среди них найдётся человек, которого вы бы позвали, — вы узнали о модели самое важное до того, как доверили ей отказы.
