170 откликов, ноль HR, один час: как основатель клуба AI Practiq нанял сотрудника с помощью ИИ

Роман Белодед, основатель AI Practiq Club, разместил вакансию перформанс-маркетолога на HeadHunter. За первый час — 20 откликов. За пару дней — 170. Обычная задача для HR-отдела на день-два: изучить резюме, прочитать сопроводительные, проверить кейсы, написать ответы.

HR у Ромы нет. Разбирать 170 откликов руками — перспектива на целый рабочий день. При этом терять сильных кандидатов из-за лени тоже не хотелось. Он решил отдать задачу AI. Получилось с третьей попытки.

Задача: перформанс-маркетолог через HeadHunter

Вакансия стандартная — перформанс-маркетолог в команду. HeadHunter работает предсказуемо: публикуешь вакансию, и за несколько дней приходит поток откликов. Чем популярнее позиция — тем больше.

170 откликов — это когнитивная задача. Каждое резюме нужно открыть, оценить опыт, сопоставить с требованиями, посмотреть кейсы, прочитать сопроводительное письмо. Даже если тратить по 3 минуты на отклик — это больше 8 часов работы. И к середине внимание неизбежно размывается, начинаешь пропускать детали.

Рома подошёл к задаче как к технической проблеме. Если есть данные и критерии отбора — AI должен справиться.

Подход первый: API HeadHunter

Первая идея — логичная. У HeadHunter есть API, через который можно получить данные об откликах программно. Рома надиктовал Claude Code техзадание так, как ставил бы задачу рекрутеру: вот вакансия, вот отклики, вот критерии отбора, дай топ-10 кандидатов.

Claude составил план, начал работать — и упёрся в стену. Доступ к API HeadHunter нужно согласовывать. Заполнить форму, описать цели использования, дождаться одобрения. Срок — до двух недель.

Две недели ждать, когда 170 резюме лежат без движения, — так себе план.

Подход второй: Claude в браузере

Переключился на Claude Agent в браузере. Агент открывал вкладки с резюме, читал, анализировал. Медленно — но хотя бы работал.

А потом закончилось контекстное окно. Claude потерял нить, начал путать данные, вписывал информацию не в те колонки. Рома просил продолжить — агент перезапускался, но без предыдущего контекста результаты становились бессмысленными.

Структура развалилась. Несколько часов потрачены впустую. Это раздражало — потому что задача по сути простая, а инструмент буксует на объёме.

Подход третий: API + Claude Code

Через несколько дней пришло одобрение от HeadHunter. Доступ к API открыт.

Рома вернулся к Claude Code — и тут дело пошло. Одной левой разобрал все 170 откликов. Весь процесс занял около часа.

Но не сразу получилось идеально. Были итерации.

Первая итерация: джуниор-HR

Claude Code подключился к API, выгрузил все отклики и начал разбор. Первая версия отбора — по ключевым словам и компетенциям. Формально правильно: смотрел опыт, навыки, соответствие вакансии.

Проблема — он не изучил кейсы кандидатов и проигнорировал сопроводительные письма. Хотя Рома явно просил это сделать в самом начале. AI отработал как стажёр: сделал минимум, упустил важное.

Пришлось напоминать и объяснять подробнее. Благо всё это Рома надиктовывал голосом — просто разговаривал с Claude, как с живым рекрутером.

Вторая итерация: синьор-HR

Здесь Рома сделал хитрый ход. Он не стал вручную корректировать каждый параметр — просто попросил Claude проанализировать их диалог и предложить три лучших улучшения алгоритма отбора.

Claude подумал, предложил улучшения — и Рома просто попросил их реализовать. Не вчитываясь в детали предложений. Доверился логике AI.

Результат: Claude придумал систему скоринга. Пересмотрел все 170 откликов заново. Подготовил новый топ-лист с объяснениями — почему кого-то убрал, а кого-то добавил. Учёл все критерии, которые Рома озвучивал на протяжении разговора.

AI отработал уже как опытный рекрутер.

Финал: персональные ответы и LEGO

Последний шаг — коммуникация. Рома попросил Claude написать персональные сообщения всем отобранным кандидатам с уточняющими вопросами и переводом по воронке найма. Остальным — вежливый отказ с благодарностью за отклик.

Всё это Рома делал параллельно с другим важным занятием. Пока надиктовывал инструкции Claude, он собирал модельку из LEGO. На разбор 170 откликов ушло меньше часа. На LEGO — больше.

Получилось совместить приятное с приятным. 170 откликов разобраны. LEGO собран. Удовольствие получено.

Три вещи, которые показывает этот кейс

Первое — инструмент важнее промпта. Рома пробовал решить одну и ту же задачу тремя способами. Браузерный AI не вытянул по объёму — контекстное окно не резиновое. Claude Code с прямым доступом к API справился за час. Выбор правильного инструмента под задачу решает больше, чем идеальная формулировка запроса.

Второе — AI умеет улучшать сам себя, если попросить. Приём «проанализируй наш диалог и предложи улучшения» — мощный и недооценённый. Вместо ручной настройки параметров ты просишь AI посмотреть на собственную работу со стороны. Он видит, что упустил, и предлагает конкретные доработки. Это экономит время и часто даёт результат лучше, чем ручная корректировка.

Третье — рутина создана для делегирования. Разбор 170 резюме — задача, где человек неизбежно устаёт и теряет внимание. AI не устаёт. У него нет когнитивного спада к сотому отклику. Но финальное решение о найме всё равно принимал Рома. AI сделал черновую сортировку — человек выбрал, кого звать на разговор. Мы подробнее разбирали такое разделение труда в статье «AI-агенты вместо сотрудников: что реально работает, а что нет».

AI в подборе персонала: что говорят цифры

Кейс Ромы — частный пример большого тренда. Две трети рекрутинговых команд уже тестируют или используют AI в найме. По данным SHRM (Society for Human Resource Management, 2025), 51% организаций применяют AI для поддержки подбора персонала — это самая популярная область внедрения AI в HR. И 89% тех, кто попробовал, подтверждают: AI экономит время и повышает эффективность.

На российском рынке это особенно актуально. По данным hh.ru, конкуренция за вакансии выросла в полтора раза за год — hh-индекс поднялся с 3,3 до 5,6 резюме на одну позицию. В маркетинге, HR и консалтинге на одну вакансию приходят десятки откликов. Нагрузка на рекрутеров растёт, а бюджеты на найм — далеко не всегда.

Главный вопрос остаётся прежним: где проходит граница между тем, что AI делает хорошо, и тем, что лучше оставить человеку. В случае Ромы граница выглядит так — AI разбирает и сортирует, человек принимает решения и разговаривает.

Компании с HR-отделами внедряют подобные системы месяцами и за серьёзные бюджеты. Рома, у которого нет HR-отдела, сделал это за час с помощью Claude Code и голосового ввода. Разница — в гибкости подхода.

Для кого это работает

Кейс Ромы — пример для предпринимателей и руководителей малого бизнеса, у которых нет выделенного HR. Если вы размещаете вакансии на HeadHunter или аналогичных платформах и получаете десятки или сотни откликов — ручной разбор каждого резюме отнимает время, которое можно потратить продуктивнее.

Для этого даже не обязательно быть техническим специалистом. Рома надиктовывал задачи голосом, код руками не писал ни строчки. Claude Code сам разобрался с API, форматами данных и логикой скоринга. Достаточно чётко описать, какого кандидата ищешь, — и дать AI итерировать.

Подробный разбор этого и других кейсов участников клуба — в нашем Telegram-канале AI Practiq.

#кейсы #автоматизация #AI #рекрутинг #ClaudeCode