К ИИ в HR приходят с двух сторон сразу: одни ищут, как разгрузить рекрутеров, другие — как не попасть в историю, где алгоритм отсеял хорошего кандидата.
В выдаче по этому запросу лежат либо продуктовые лендинги, либо обзоры «топ-10 решений для HR». Ни те, ни другие не отвечают на главный вопрос: какие HR-задачи вообще можно доверить модели, а какие нельзя ни при каких обстоятельствах.
Пойдём по участкам работы.
Главное разделение: обработка текста против оценки человека
Всё, что делает ИИ в HR, делится на две категории, и граница между ними определяет, будет внедрение полезным или опасным.
- Разобрать резюме на поля
- Проверить формальные требования
- Написать текст вакансии
- Ответить на типовой вопрос
- Сделать выжимку из интервью
- Прогноз успешности в должности
- «Впишется ли в команду»
- Оценка по видео и мимике
- Ранжирование по «потенциалу»
- Решение об отказе
Причина не в том, что модель «недостаточно умная». Причина в природе задачи: у вопроса «есть ли у кандидата права категории C» есть правильный ответ, а у вопроса «будет ли он хорошим сотрудником» — нет. Модель во втором случае воспроизводит закономерности прошлых данных: кого нанимали раньше, кто дольше задержался. И начинает предпочитать тех, кто похож на уже работающих.
Участок 1. Поток откликов — забирает целиком
Здесь ИИ даёт больше всего пользы и почти не несёт рисков, если оставаться в границах формальной проверки.
Массовая вакансия собирает сотню откликов, из которых половина не подходит по объективным признакам: другой город без готовности к переезду, нет обязательной лицензии, неподходящий график. Рекрутер тратит на это часы механического чтения.
Что делает система:
- 1Привести резюме к одному видуОпыт, навыки, город, образование — в поля таблицы
- 2Проверить формальные требованияТолько то, что можно подтвердить фактом
- 3Пометить, а не отсеятьПометка «не проходит по требованию» вместо удаления
- 4Задать уточняющие вопросыЕсли чего-то в резюме нет — спросить у кандидата
- 5Отдать рекрутеру списокС отметками и причинами, а не готовое решение
Что это даёт по времени. Разбор сотни откликов вручную — это несколько часов. Разбор с подготовленной таблицей — минуты на просмотр помеченного списка. Экономия не в качестве решения, а в том, что рекрутер сразу смотрит на релевантных.
Участок 2. Переписка с кандидатами — забирает целиком
Недооценённый участок, где потери самые заметные и при этом невидимые.
Кандидат откликнулся вечером. Ответ приходит через два дня. За это время он успел откликнуться ещё в пять мест, и в двух ему ответили сразу.
Что закрывает система:
- Мгновенное подтверждение отклика с честным сроком: «получили, ответим до среды».
- Типовые вопросы: график, оформление, где находится офис, что с испытательным сроком, нужен ли опыт.
- Назначение встречи: подобрать слот, отправить приглашение, напомнить накануне.
- Сбор недостающего: попросить портфолио, уточнить готовность к переезду.
Почему это работает даже с простой моделью: здесь не нужно никого оценивать. Нужно вовремя отвечать — то, чего живой рекрутер физически не успевает при потоке.
Участок 3. Текст вакансии — забирает частично
Модель хорошо переписывает: сокращает канцелярит, делает текст читаемым, адаптирует под площадку.
Чего она не знает — специфики вашей компании. Вакансия, написанная целиком нейросетью, узнаётся с первой строки по набору штампов вроде «динамично развивающейся компании» и «дружного коллектива». Такие тексты перестают отличаться друг от друга, а вместе с этим перестают привлекать.
Рабочая схема: вы даёте суть — что делать, с кем работать, какие условия, что честно является минусом. Модель приводит это в порядок. Не наоборот.
Участок 4. Выжимка из интервью — забирает целиком
Собеседование записано или расшифровано. Задача — не оценить кандидата, а достать из разговора фактуру: какой опыт назвал, какие проекты упомянул, какие вопросы задал, что сказал про зарплатные ожидания.
Это чистая работа с текстом, и она экономит время дважды: рекрутеру не нужно писать конспект, а нанимающему руководителю не нужно смотреть часовую запись.
Ограничение: выжимка — это факты из разговора, а не вывод «подходит или нет». Как только система начинает выдавать оценку, вы возвращаетесь в правую колонку таблицы со всеми её рисками.
Участок 5. Кадровые вопросы сотрудников — забирает целиком
Про этот сценарий забывают, а он часто окупается быстрее подбора.
В любой компании есть поток одинаковых вопросов к кадровикам: как оформить отпуск, где взять справку, что с переработками, какие документы нужны при выходе. Ответы на них существуют в регламентах, но сотрудники спрашивают человека, потому что искать в документах дольше.
Внутренний помощник по кадровым вопросам снимает этот поток. Риска почти нет: это внутренние сотрудники, а не кандидаты, и цена ошибки — уточняющий вопрос, а не потерянный человек.
Как устроена такая система под капотом — в разборе про RAG и базы знаний.
Участок 6. Прогноз и оценка — не забирает
Раздел короткий, потому что ответ однозначный.
Всё, что продаётся под названиями «предиктивная аналитика найма», «оценка потенциала», «анализ соответствия культуре компании», работает по одному принципу: находит статистические закономерности в прошлых данных и переносит их на нового человека.
Три причины, почему это плохая идея именно в найме:
Данных мало. Чтобы делать статистические выводы, нужны тысячи наблюдений с известным исходом. У большинства компаний нет и сотни.
Исход неизмерим. Что считать успехом — проработал два года? Выполнил план? Не конфликтовал? Любая формализация теряет главное.
Ошибка невидима. Отказ хорошему кандидату вы никогда не увидите: он просто ушёл к другим. Система будет казаться работающей, потому что оценивают её по тем, кого взяли.
Адаптация новых сотрудников — участок, о котором забывают
Подбор заканчивается выходом человека на работу, а расходы на этом не заканчиваются. Первые недели новичок задаёт десятки вопросов, и каждый отвлекает кого-то из работающих.
Помощник по адаптации закрывает ровно этот поток: где взять доступы, к кому идти с вопросом по зарплате, как оформить пропуск, что делать в первый день, где лежат регламенты. Вопросы одинаковые у всех, ответы существуют — просто разбросаны по документам и головам.
Почему это выгодный первый шаг: нет кандидатов, нет решений о людях, нет юридических тонкостей. Это ровно тот принцип выбора процесса, который разобран в статье нейросети для бизнеса: начинать с того, где мало риска и много повторений. Только внутренние сотрудники и внутренние документы. Ошибка стоит уточняющего вопроса, а не потерянного человека.
Побочный эффект, который замечают не сразу: собирая базу для такого помощника, компания впервые записывает свои процессы. Часто выясняется, что половина ответов нигде не зафиксирована, а вторая половина устарела.
Обучение персонала: где ИИ полезен, а где имитирует пользу
Тема, вокруг которой много обещаний, поэтому разделим честно.
Работает: собрать проверочные вопросы по регламенту, объяснить сложный документ простыми словами, ответить на вопрос сотрудника по внутренней инструкции, подготовить конспект обучающего материала.
Не работает: оценить, освоил ли человек навык. Тест, сгенерированный по документу, проверяет знание документа, а не умение работать. Разница видна на первом же клиенте.
Опасная зона: аттестация с последствиями. Как только результат теста влияет на премию или должность, вы возвращаетесь к оценке человека алгоритмом — со всеми ограничениями из раздела выше.
Готовая платформа или своё решение
Развилка та же, что в любой автоматизации, но в HR у неё есть специфика: данные особенно чувствительные.
- Запуск за дни
- Интеграции с площадками вакансий уже есть
- Ваш процесс придётся подогнать под их логику
- Данные кандидатов живут у них
- Логика под ваш поток и критерии
- Данные остаются в вашем контуре
- Дороже и дольше на старте
- Нужен тот, кто будет поддерживать
Сколько это стоит
Расходы делятся так же, как в любом внедрении, но пропорции в HR свои.
| Статья | Когда платится | Особенность в HR |
|---|---|---|
| Формализация критериев | разово | Самая большая работа: критерии живут в головах |
| Разработка и интеграции | разово | Площадки вакансий, почта, календарь |
| Модель | ежемесячно | Резюме — длинные тексты, запросы тяжелее обычных |
| Поддержка | ежемесячно | Требования к вакансиям меняются часто |
Про третью строку стоит помнить при расчёте: резюме — это текст на несколько тысяч знаков, и разбор сотни откликов тяжелее сотни коротких диалогов. Порядок такой: по тарифам GigaChat младшая модель стоит 65 ₽ за миллион токенов, старшая — 650 ₽, а одно резюме вместе с инструкцией занимает несколько тысяч токенов. Сотня откликов в месяц на младшей модели обходится в десятки рублей, тысяча на старшей — уже в тысячи. Подробный расчёт по токенам разобран в статье про то, сколько стоит ИИ-агент.
Юридическая сторона: три вещи, которые надо решить
Не юридическая консультация, а список вопросов, которые лучше задать до внедрения, а не после жалобы.
| Вопрос | Почему важен |
|---|---|
| На каком основании обрабатываем данные кандидатов | Резюме — это персональные данные, и обязанности по ним возникают сразу |
| Куда уходит текст резюме | В облачной схеме он покидает ваш контур вместе с запросом к модели |
| Кто принимает решение об отказе | Обоснование должно быть связано с деловыми качествами и его должен уметь объяснить человек |
Правило, которое снимает большую часть рисков: система готовит и сортирует, решение принимает и подписывает человек. Тогда ИИ остаётся инструментом обработки, а не субъектом решения. Это общий принцип внедрения ИИ в бизнес: автоматизируется подготовка, а не ответственность.
Конкретную схему — согласия, сроки хранения, договор с подрядчиком — стоит проверить с юристом под ваши процессы. Универсального ответа тут нет, и статья в блоге его дать не может.
Что ломается после запуска
Критерии формализовали неверно. Система отсекает по «опыту от трёх лет», а сильный кандидат сменил профессию год назад. Формальные фильтры не понимают контекста — поэтому и нужна пометка вместо отсева.
База ответов устарела. Помощник рассказывает кандидатам про график, который поменялся два месяца назад. Та же болезнь, что у любой базы знаний без владельца.
Кандидаты поняли, что говорят с ботом, и это их задело. Лечится честностью: система сразу говорит, что она ассистент, и по просьбе передаёт человеку.
Рекрутеры перестали смотреть отклонённых. Через месяц список с пометками начинают воспринимать как готовое решение и не открывают тех, кого система пометила. Формально человек в контуре, фактически нет.
Как измерять результат
Метрики выбираются до внедрения — иначе через месяц разговор сведётся к ощущениям.
| Метрика | Что показывает |
|---|---|
| Время до первого ответа кандидату | Главный эффект, виден сразу |
| Время на разбор потока откликов | Прямая экономия рекрутера |
| Доля кандидатов, отвалившихся до интервью | Косвенно — насколько быстро с ними общаются |
| Сколько помеченных «не проходит» открыл человек | Работает ли правило «решает человек» на самом деле |
Последняя строка — самая полезная и самая неудобная. Если её никто не смотрит, автоматизация тихо превратилась в автоматическое принятие решений.
С чего начинать
- 1Начать с перепискиОтветы кандидатам и назначение встреч — без решений о людях
- 2Собрать типовые вопросыИз реальной переписки за последние месяцы
- 3Добавить разбор откликовТолько формальные признаки, только пометки
- 4Проверить на прошлом потокеПрогнать вакансию, по которой уже нанимали, и сверить
- 5Зафиксировать, кто решаетПисьменно, чтобы это не размылось через полгода
Что делаю я
Первым делом разбираю поток: сколько откликов приходит, сколько времени уходит на первичное чтение, где именно теряются кандидаты. Чаще всего главная дыра оказывается не в отборе, а в скорости ответа — и закрывается она проще, чем кажется.
Делаю ИИ-агентов и чат-ботов для HR-процессов сам: разбор откликов, переписка с кандидатами, внутренний помощник по кадровым вопросам. Границы задаю жёстко: система готовит и сортирует, решение о человеке остаётся человеку. Если вижу, что задача решается настройкой отклика на площадке, говорю об этом прямо.
