ИИ-скрининг резюме: как устроен скоринг кандидатов и где он ошибается

В начале 2020 года Гарвардская школа бизнеса (HBS) и консалтинговая компания Accenture опросили 2 275 руководителей в США, Великобритании и Германии. По итогам вышел отчет «Hidden Workers: Untapped Talent» («Скрытые сотрудники: нераскрытый потенциал»). В нем 88 % работодателей признали: квалифицированных кандидатов на позиции высокой квалификации отсеивают из-за несовпадения резюме с точными критериями вакансии. Для средней квалификации таких ответов 94 %.

ИИ-скрининг резюме стал массовой функцией. Благодаря ей первый отбор кандидатов проходит быстрее и незаметнее. Процент релевантности появляется за секунды, и отсеянное резюме рекрутер может не открыть. В рейтинге систем подбора pickTech скоринг заявлен у семи систем из 11.

Команда pickTech разобрала пять этапов ИИ-скоринга, через которые проходят резюме. Рассказываем про слабые места каждого и как проверить ошибки.

Что такое скрининг резюме и что в нем делает ИИ

Скрининг резюме — это первичный разбор откликов. Рекрутер решает, приглашать ли кандидата на собеседование, и изучает самостоятельно его опыт, навыки и образование. Искусственный интеллект в подборе персонала отрабатывает первый этап в двух местах.

На работном сайте. В ноябре 2025 года hh.ru представил ИИ-помощника для найма. По описанию площадки, это «инструмент на базе языковой модели». Компания простым языком пишет, кого ищет, и помощник раскладывает кандидатов по трем категориям: «Подходит», «Можно рассмотреть» и «Не сейчас».

Помощник работает внутри hh.ru. Сначала его тестировали у ограниченного числа компаний, а с 1 октября 2026 года, по сообщению площадки, подключить его могут все.

В ATS компании. В карточке кандидата результат показан в виде процентов, баллов или отмечен цветной меткой. ИИ делает первый отбор по потоку. Решение о приглашении остается за человеком.

Как устроен скоринг кандидатов

ИИ работает с резюме в пять этапов: парсинг (разбор текста на поля карточки кандидата), сверка с требованиями вакансии, модель, шкала и объяснение.

Этап 1. Парсинг резюме: распределение информации по карточке

Парсинг резюме — это структурирование сплошного текста в отдельные поля в системе компании по должности, дате, опыту, навыкам, местоположению. Если оценка идет по извлеченным полям, а парсер не распознал какую-то информацию, поле останется пустым и модель не сможет его оценить. Это первый этап ИИ-скрининга резюме.

Пример вендора. Как видно по журналу обновлений HR-платформы «МоейКоманды», разбор полей доводят отдельными правками. В мае 2024 года компания оптимизировала парсинг файлов с hh.ru и добавила LinkedIn. В августе 2025-го информация о месте проживания в карточке стала заполняться из профиля на hh.ru. А обработку откликов с площадки ускорили с 30 до 15 минут. В сравнении тарифов вендор вынес «Парсинг резюме с hh» отдельной строкой.

Слабое место. Какие поля и форматы парсеры разбирают с ошибками, не описано ни в документации, ни в исследованиях, использованных в статье. Поэтому выводы о конкретных форматах делать рано.

Тест. Чтобы проверить работу ИИ, откройте карточки кандидатов рядом с исходными резюме и сверьте опыт, даты, город и навыки.

Этап 2. Требования вакансии: по ним считается балл

Роль. Каждое резюме сравнивается с требованиями к опыту и навыкам из описания вакансии. Они задают эталон, которому нужно соответствовать. ИИ измеряет совпадения только с записанным текстом. Поэтому неточное требование повторяется на всем потоке, ищет ли система ключевые слова или сравнивает смысл.

Слабое место. По отчету Hidden Workers, больше 90 % компаний из опроса использовали систему управления подбором, чтобы первично отфильтровать или ранжировать кандидатов. Почти половина отсеивала резюме автоматически при перерыве в опыте работы дольше шести месяцев. Этого признака хватало для отсева.

Из-за таких жестких установленных фильтров компания теряет квалифицированных специалистов. Проблема в том, что механика современных языковых моделей похожа. Машина исполняет условие буквально, и оценка кандидатов смещается на всем потоке.

Тест. Разделите условия вакансии на обязательные и желательные. Не делайте без весомой причины обязательным фильтром косвенный признак вроде перерыва в работе, частой смены места или незнания программы, которой легко обучить. Затем найдите критерий, который отсекает больше всего кандидатов. Помощник hh.ru показывает статистику: «сколько кандидатов соответствует каждому критерию, какие требования слишком сужают воронку». В вашей ATS про такую выгрузку спросите вендора.

Этап 3. Модель: чему она научилась и как

Роль. Модель сопоставляет резюме с требованиями и выдает результат. Здесь встречаются две ошибки.

Первое слабое место. Модель учится на прошлом и рискует повторить старый перекос. В октябре 2018 года Reuters рассказал о системе Amazon, над которой компания работала с 2014-го. Система оценивала кандидатов по шкале от одной до пяти звезд. Обучали ее на резюме, скопившихся в Amazon за 10 лет, в основном от мужчин.

В итоге алгоритм занижал оценку резюме, где было слово «women’s» и где кандидатки были выпускницами двух женских колледжей. Код поправили под эти слова, но эта правка не гарантировала защиту от других перекосов.

К началу 2017 года команду распустили. По словам анонимных источников агентства, рекрутеры смотрели рекомендации системы, но не опирались только на них. Amazon от комментариев отказался.

Второе слабое место. Модель бывает чувствительна к полям, которые не должны влиять на результат. В исследовании Вашингтонского университета 2024 года проверили языковые модели трех компаний: Mistral AI, Salesforce и Contextual AI. Больше 550 реальных резюме сравнили с 500 с лишним вакансиями. Всего вышло больше трех миллионов сравнений. В резюме подставляли разные имена.

В 85 % случаев модели предпочитали имена, ассоциированные с белыми, против 9 % — с чернокожими. Мужские имена модели выбирали в 52 % случаев, а женские в 11 %. Исследование американское, и прямо переносить выводы на российские системы нельзя.

Тест. Уточните у вендора три момента: базовую модель ИИ-скрининга резюме, обучение на решениях ваших рекрутеров и поля, скрытые от модели. Вендор вправе промолчать. «МояКоманда», например, базу модели ИИ-оценки не раскрывает. Остается тест на собственных данных из раздела ниже.

Этап 4. Шкала: что значит 75 % релевантности и как резюме отклоняются

Роль. Скоринг резюме — это число или категория, которыми система выражает совпадение с вакансией. Для примера возьмем модуль найма «МоейКоманды», один из вариантов ATS с результатом в процентах. Процент считается «на основе анализа резюме и требований роли» и окрашен по шкале. Высокой релевантностью вендор считает 75–100 %, средней 40–74 %, низкой 0–39 %. На странице ассистента «Тима» вендор указывает время оценки резюме: 10 секунд.

75 % показывают, насколько кандидат совпал с условиями вакансии. Успех человека в работе процент не предсказывает.

Слабое место. Главный риск связан с автоотказом по фильтрам. Даже отклоненных кандидатов нужно просматривать. Об автоматическом отсеве по фильтру авторы Hidden Workers пишут прямо. Рекрутер такого кандидата никогда не увидит.

Тест. Проверьте, уходит отказ автоматически или вручную.

Этап 5. Объяснение оценки: его тоже сверяют с резюме

Роль. Объяснение показывает, по каким условиям резюме совпало. Помощник hh.ru, по описанию площадки, «показывает логику своих решений». У «МоейКоманды» «рекомендации с аргументацией» заявлены в релизе от 26.02.2026 в журнале обновлений. На странице продукта их нет.

Слабое место. Объяснение от той же модели может звучать убедительно и не совпадать с текстом резюме. Например, во втором исследовании Вашингтонского университета (2024) GPT-4 ставил резюме с наградами и активностями, связанными с инвалидностью, выше исходной версии лишь в четверти из 60 сравнений.

В объяснениях модель приписывала кандидатам стереотипы. Например, «додумала» кандидату «трудности», которых в тексте не было. Письменные инструкции против предвзятости уменьшили перекос для пяти из шести вариантов. Но выше исходного резюме оказались только три.

Тест. Каждый аргумент объяснения сверяйте с текстом резюме. Нашли в объяснении факт, которого нет в резюме? Перечитайте исходный текст целиком.

Как использовать ИИ в подборе персонала и проверить скоринг на своих откликах

Первичный скрининг резюме с ИИ проверяют после запуска, на живом потоке. У каждой из шести проверок ниже указаны действие, выборка и показатель. Размеры выборок предлагает редакция, подстройте под свой поток.

1. Разбор полей. Раз в месяц сверяем 10 карточек с исходными резюме. Считаем потерянные и искаженные поля: опыт, даты, город, навыки.

2. Слепая двойная разметка. Рекрутер размечает 30–50 резюме, не видя балла, по трем вариантам: подходит, можно рассмотреть, не подходит. Его решения сравнивают с зонами шкалы и считают расхождения. Например, рекрутер позвал бы кандидата на собеседование, а модель отправила вниз, и наоборот.

3. Пересмотр нижней зоны. Регулярно открываем часть резюме из зоны 0–39 % или категории «Не сейчас». Нашлись сильные кандидаты? Переписываем требования.

4. Парные резюме. Делаем копию резюме, в которой меняется одно поле: имя, возраст, перерыв в работе или город. Балл меняться не должен. Похожий прием использовали в исследовании Вашингтонского университета: в резюме меняли имена.

5. Доли прошедших по группам, на обезличенной выгрузке и с учетом 152-ФЗ. Метод взят из закона Нью-Йорка Local Law 144, который применяется с 05.07.2023. Там автоматизированный инструмент найма допускают к работе только после независимого аудита на предвзятость не старше года. Аудит считает долю прошедших в каждой группе по полу, расе и сочетанию признаков и делит каждую долю на самую высокую. Нам не известно похожее обязательное требование в России, но большой разрыв между группами дает повод разбираться.

6. Журнал решений. Фиксируем, кто, на каком этапе и на каком основании поставил отказ. Журнал пригодится для разбора ошибок и при запросе кандидата о причине отказа.

Что говорит закон об отказе по оценке алгоритма

Если скрининг резюме заканчивается автоотказом, полезно знать две нормы.

Статья 16 закона 152-ФЗ запрещает принимать решения «на основании исключительно автоматизированной обработки персональных данных». Запрет касается решений, которые влекут юридические последствия для человека или затрагивают его права и интересы. Исключение составляют письменное согласие человека и случаи, предусмотренные федеральными законами. Оператор обязан объяснить порядок такого решения и дать человеку возразить. Относится ли статья к отказу кандидату, решает юрист компании.

По статье 64 Трудового кодекса отказать в трудовом договоре без обоснованной причины нельзя. На письменный запрос соискателя работодатель обязан письменно назвать причину в течение семи рабочих дней. Отказ можно обжаловать в суде.

Практический вывод: отказ на любом этапе ставит человек и объясняет его условиями вакансии. Похожее пишет и hh.ru о своем помощнике: «любое решение остается за вами».

Что стоит запомнить

• ИИ-скрининг резюме измеряет совпадение кандидата с вашими условиями вакансии. Поэтому ошибка в требовании повторяется на всем потоке.
• Пять этапов скоринга проверяют по отдельности.
• Объяснение балла сверяют с текстом резюме.
• Нижнюю зону шкалы пересматривают, отказ ставит человек.
• Нераскрытую вендором модель проверяют только на собственном потоке.

При потоке сотен резюме в день нужен другой класс инструментов. «МояКоманда» называет массовый подбор своей самой тонкой темой. ИИ-агенты и роботы, в том числе для массового найма, собраны в разделе ИИ-агентов для HR в каталоге pickTech.