ИИ-отбор резюме: как разгрести шквал откликов на массовую вакансию и не сойти с ума

Открываю вакансию «специалист поддержки» на hh.ru в понедельник утром. К обеду — 90 откликов. К среде — 340. И это на позицию с зарплатой 65 тысяч в Москве, без опыта, без космических требований. Я директор IT-компании, у меня и так дел по горло, а тут надо либо нанять отдельного человека, который будет неделю читать резюме, либо найти способ поумнее. Расскажу, как мы у себя в ITfresh это решили и почему без ИИ-фильтра на массовом найме сейчас просто не выжить.

Почему поток резюме на обычную вакансию превращается в стихийное бедствие

Раньше как было: разместил вакансию, получил 15-20 откликов, вечером не спеша просмотрел, отобрал пятерых на собеседование. Сейчас соискатели рассылают резюме пачками, часто одним кликом откликаются на всё подряд без разбора требований. У клиента-медклиники, которому мы настраивали IT-инфраструктуру, администратор ресепшена искала двух медсестёр — получила 280 откликов за неделю. Из них релевантных, по её же оценке потом, было от силы 30.

Руководитель небольшой компании до 50 рабочих мест обычно сам себе HR, финансист и немного психолог. У него нет ресурса читать по три сотни резюме. В итоге он либо нанимает первых пятерых, кто откликнулся быстро — а это далеко не всегда лучшие, — либо просто перестаёт смотреть вакансию через два дня, и хорошие кандидаты теряются где-то в конце списка.

Я через это проходил лично. Набирали инженеров поддержки для клиентских проектов — и я реально терял хороших людей просто потому, что физически не успевал долистать до их резюме. Это и стало толчком разобраться с автоматизацией отбора.

Что такое ИИ-отбор резюме и чем он отличается от обычных фильтров hh.ru

Ключевые слова в поиске hh.ru — это фильтр по формальным признакам: город, зарплатные ожидания, опыт в годах. Он не читает резюме по смыслу. ИИ-отбор — это другое: языковая модель или специализированный сервис читает текст резюме и сопроводительного письма так, как читал бы человек, и сопоставляет его со смыслом вакансии, а не с набором стоп-слов.

Работает это примерно так. Вы загружаете описание вакансии — не просто заголовок, а реальные требования: что человек будет делать, какие навыки критичны, какие приятны, но не обязательны. Дальше ИИ прогоняет через это описание каждое пришедшее резюме и выставляет оценку — грубо говоря, от 0 до 100. Топ-20% автоматически попадают в папку «смотреть в первую очередь», явно нерелевантные — в отдельную папку, руководитель их даже не открывает.

Важный момент: хороший ИИ-отбор не отбраковывает резюме молча и навсегда. Он ранжирует и объясняет решение — например, «кандидат указан опыт с 1С, но нет упоминания именно Бухгалтерии 3.0, требуемой в вакансии» или «формальный опыт 1 год, но описание проектов говорит о более глубокой экспертизе». Это принципиально: вы видите логику, а не чёрный ящик.

Как мы внедряли это у себя в ITfresh

У нас массовый найм — это в первую очередь инженеры техподдержки и стажёры-эникейщики. Раньше HR-менеджер тратила два-три дня на первичный отбор по каждой такой вакансии. Мы попробовали связку: выгрузка откликов с hh.ru через API в таблицу, дальше — промпт для модели с чёткими критериями вакансии, и на выходе — ранжированный список с короткой пометкой «почему да» или «почему нет» по каждому кандидату.

Первый запуск был кривой, чего скрывать. Модель занижала оценку людям, которые писали резюме коротко и по делу — потому что «мало текста для анализа». Пришлось переписать промпт, добавить явное указание не штрафовать за лаконичность, смотреть на конкретику (названия систем, цифры, сроки), а не на объём текста. После доработки система стала отсекать реально нерелевантных — вроде отклика бухгалтера на вакансию сисадмина, что тоже случается сплошь и рядом.

Сейчас у нас на входе в среднем 150-200 откликов на массовую вакансию, руководитель отдела смотрит от силы 25-30 из топа списка, ещё 10-15 — из середины на всякий случай. Экономия времени — часов десять-пятнадцать в неделю на активном найме. Для компании нашего размера это ощутимо.

Какими инструментами это делать — не обязательно писать код самому

Если у вас нет своего разработчика или не хочется возиться с API — на рынке уже есть готовые решения. Talantix от hh.ru умеет базовую приоритизацию откликов. Skillaz и Хантфлоу предлагают ИИ-скоринг резюме как часть ATS-системы, с ценами от 15-20 тысяч рублей в месяц для небольшой компании. Есть и более узкие сервисы, заточенные конкретно под ранжирование, без лишнего функционала CRM для найма.

Мы для клиентов, которые просят что-то попроще и подешевле, часто собираем самодельное решение на связке: выгрузка резюме, обращение к языковой модели через API с заранее прописанными критериями вакансии, вывод результата в Google Таблицу или Telegram-чат HR-специалиста. Это дешевле готовых ATS в разы — по факту вы платите только за токены модели, копейки на сотню резюме, — но требует разового вложения времени на настройку, часов 8-10 работы специалиста.

Выбор между готовым сервисом и самописным скриптом зависит от объёма найма. Если вакансии массовые и постоянные — окупается подписка на нормальную ATS с ИИ-модулем. Если найм разовый, две-три вакансии в квартал — проще один раз настроить скрипт и переиспользовать.

Подводные камни: где ИИ ошибается и почему человек должен оставаться в цепочке

Первая ловушка — ИИ отражает предвзятость, которая была в данных или в формулировке вакансии. Если в требованиях написано «энергичный, стрессоустойчивый», модель может занижать оценку резюме с сухим деловым стилем, хотя это вообще ничего не говорит о качествах человека. Формулировать вакансию нужно максимально конкретно, через задачи и навыки, а не через характер.

Вторая история — ложные отказы. У одного нашего клиента, юридической фирмы, ИИ занизил оценку сильному кандидату только потому, что тот работал в смежной, а не в точно такой же нише права. Формально система права, по смыслу — нет, это был отличный кандидат с переносимым опытом. Поэтому мы всегда рекомендуем: автоматика не должна окончательно отсеивать, она должна расставлять приоритеты. Финальное слово — за человеком, и хотя бы беглый просмотр «отказников» имеет смысл сохранить.

Третье — персональные данные. Резюме содержат ФИО, телефон, иногда паспортные данные в приложенных файлах. Если вы прогоняете это через внешний API языковой модели, нужно понимать, где хранятся эти данные и на каких серверах — это уже вопрос 152-ФЗ, и тут я советую не полениться и свериться с юристом, особенно если компания работает с зарубежными облачными провайдерами моделей.

Сколько это стоит для компании до 50 рабочих мест и когда окупается

Готовое решение в составе ATS-системы — от 15 до 35 тысяч рублей в месяц в зависимости от числа вакансий и пользователей. Самописная связка через API — разовая настройка от 30 до 60 тысяч рублей плюс копеечная стоимость запросов к модели, буквально несколько рублей на сотню резюме.

Окупаемость считается просто. Если у вас HR-специалист или сам руководитель тратит на ручной разбор откликов 10 часов в неделю, а его час стоит хотя бы 1500 рублей, — это 60 тысяч рублей в месяц скрытых издержек, которые никто не видит в отчётности, но они реально есть. Настройка ИИ-фильтра окупается за первый же активный месяц найма.

Отдельный плюс, который редко считают деньгами, но зря — скорость закрытия вакансии. Пока вы неделю разбираете резюме вручную, лучшие кандидаты уже приняли другие офферы. С ИИ-приоритизацией можно выйти на контакт с топ-кандидатами в первый же день после публикации вакансии, а это в конкурентном найме иногда решает всё.

С чего начать, если хотите внедрить это у себя

Не пытайтесь автоматизировать всё сразу. Возьмите одну текущую массовую вакансию и опишите её максимально конкретно: не «ответственный и коммуникабельный», а «опыт работы с 1С:Бухгалтерия от года, умение вести первичку без ошибок, готовность к ненормированному графику в отчётный период». Чем конкретнее вход — тем точнее ИИ отранжирует отклики.

Дальше — тестовый прогон на небольшой выборке, штук 30-50 старых резюме, которые уже когда-то нанимали или отклоняли вручную. Сверьте оценки ИИ с реальным решением по этим людям. Если модель совпадает с вашей интуицией процентов на 80 — можно запускать на реальном потоке. Если сильно расходится — донастраивайте критерии, прежде чем доверять системе живой найм.

И держите в голове главное: цель не в том, чтобы ИИ нанимал вместо вас. Цель — чтобы вы, как руководитель, тратили время на разговор с пятью реально подходящими людьми, а не на пролистывание трёхсот резюме в надежде не пропустить того самого.

Частые вопросы

Не отсеет ли ИИ хорошего кандидата из-за нестандартного или короткого резюме?
Может, если промпт или критерии настроены плохо — так было и у нас на старте. Решается это явным указанием модели не штрафовать за формат, а смотреть на конкретику опыта. И в любом случае автоматика должна ранжировать, а не окончательно отбраковывать — финальный просмотр «низкого» списка стоит оставить за человеком.

Нужен ли свой программист, чтобы это настроить, или можно обойтись готовым сервисом?
Для разового или редкого найма проще взять готовую ATS с ИИ-модулем вроде Talantix, Skillaz или Хантфлоу — там всё уже собрано за подписку. Для регулярного массового найма и желания сэкономить на подписке имеет смысл один раз заказать простой скрипт на API — это дешевле в долгосрочной перспективе.

Законно ли прогонять резюме кандидатов через ИИ с точки зрения 152-ФЗ?
Само по себе использование ИИ для анализа резюме закон не запрещает, но резюме содержат персональные данные, и важно понимать, где они обрабатываются и хранятся, особенно при использовании зарубежных облачных моделей. Мы рекомендуем свериться с юристом по обработке персональных данных перед постоянным использованием такой схемы, а не полагаться на общие ощущения.

Сколько времени занимает настройка ИИ-отбора резюме для небольшой компании?
На связку через готовый сервис — от одного дня, там всё делается через интерфейс. На самописное решение через API — обычно 8-10 часов работы специалиста плюс тестовый прогон на исторических резюме для проверки точности. У нас в ITfresh первый рабочий вариант для клиента занимает обычно два-три рабочих дня с учётом обкатки.