1500 резюме: как ИИ превращает поток кандидатов в готовый shortlist

Рекрутер физически не успевает открыть каждое резюме. Он либо смотрит первые пятьдесят и закрывает вакансию, либо тратит дни на то, чтобы пролистать весь поток, а лучшие кандидаты за это время принимают чужие офферы.

Нейросеть решает именно эту часть задачи: не выбирает человека вместо рекрутера, а превращает неструктурированную гору резюме в короткий список с пояснениями. Ниже о том, как это устроено, что показывает практика и где такая система ломается.

Как выглядит рабочий процесс

Исходная схема простая. Рекрутер и руководитель заранее фиксируют критерии вакансии: что обязательно, что желательно, что исключает кандидата. Нейросеть получает эти критерии и резюме и по каждому кандидату отвечает на три вопроса: насколько он подходит, на чём основана оценка и что остаётся непонятным. Результат разбивается на группы, и рекрутер начинает с верхней.

Ключевое слово здесь «пояснение». Оценка без обоснования бесполезна, потому что проверять её приходится так же долго, как читать резюме. Если же модель пишет, что у кандидата три года опыта в продажах B2B, но нет подтверждения опыта работы с CRM, рекрутер за полминуты решает, стоит ли звонить.

Хорошо видно, как этот принцип заложен в инструменты площадок. В ноябре 2025 года издание «Код» писало, что HeadHunter тестирует ИИ-помощника для работодателей на ограниченном круге компаний. Он делит отклики на три категории: «подходит», «можно рассмотреть», «не сейчас», показывает работодателю, что счёл сильными сторонами кандидата и что вызвало сомнения, а переписку с кандидатом сохраняет в отчёте для живого рекрутера. Цифр точности и скорости в публикации нет, и это нужно помнить: описан принцип, а не доказанный результат.

Что говорит практика

Среди кейсов компаний, внедряющих ИИ вместе с AI Business Box, есть несколько HR-сценариев. В первом из них рекрутеры задавали критерии ИИ-роботу HeadHunter, а он оценивал и ранжировал резюме. По словам участников, сократились время отбора и число звонков, а последние вакансии закрывались примерно за неделю. Строгих замеров в кейсе нет, и результат подтверждён качественно. Показательна оговорка из описания: спорных кандидатов проверяет рекрутер, а не робот.

Второй сценарий касается следующего этапа. Для рекрутера создали собственного ассистента на базе ChatGPT, которому загружены контекст вакансий, резюме и обязательные вопросы. Он готовит сценарий интервью, помогает проверить, не забыт ли важный вопрос, и быстро восстанавливает контекст кандидата перед повторным разговором. Третий связан с записями интервью: стенограмма разговора передаётся нейросети, которая находит нужные фрагменты и подсказывает, что уточнить при повторной встрече или показать руководителю.

Так складывается цепочка, где ИИ работает на каждом участке между откликом и решением, но не принимает самого решения. Ни в одном из этих кейсов нет цифры «процент сэкономленного времени», и мы не будем её придумывать. Единственное, что можно сказать с уверенностью, это направление: ручной отбор и число лишних звонков сокращаются.

Рыночные оценки выглядят заманчивее, но к ним нужно относиться осторожно. Консультанты по подбору, чьи комментарии собрал блог Unisender в мае 2026 года, рассказывают, что разбор полутора-двух тысяч откликов, который раньше занимал дни, с помощью автоматизации занимает несколько часов. Один из них называет скорость в сто откликов за шесть минут, другой говорит об экономии до тридцати минут на кандидате при обработке заметок интервью. Это высказывания людей, которые работают с такими инструментами, и методика не раскрыта. Там же приведено исследование «Sk Финтех Хаб», по которому компании с ИИ в рекрутинге сократили время отбора резюме на 73%, но данных о выборке нет. Как ориентир порядка величин эти оценки подойдут, как гарантию для вашей компании нет.

Где система ломается

Главный риск в том, что нейросеть отбирает не лучших кандидатов, а похожих на тех, кто уже есть. Классический пример из мировой практики: Amazon начал разрабатывать в 2014 году систему, которая оценивала соискателей по пятибалльной шкале. Её обучили на резюме, полученных компанией за десять лет, и в большинстве они были мужскими, как это бывает в технологической отрасли. Система усвоила предпочтение мужчин в технических ролях и, по сообщениям, снижала оценку за слово «women’s» в резюме. Amazon исправила эти термины, но перестала доверять программе и закрыла проект в 2017 году. История старая, но урок в том, что модель повторяет перекосы в данных, на которых училась.

В российском контексте тот же риск звучит иначе: формальный отбор по ключевым словам. Если критерий записан как «опыт работы с CRM», а в резюме сказано «вёл клиентскую базу в амоCRM», хорошая модель это поймёт, а плохой фильтр отсеет. Тот же блог Unisender описывает ещё одну сторону дела: кандидатов с нелинейной карьерой или сменой профессии отсеивают чаще, а отказ приходит без объяснения. Данных, насколько это распространено, там нет, так что это предупреждение, а не статистика.

К этому добавляется вопрос данных. Резюме содержат персональные данные, поэтому перед загрузкой в любой внешний сервис стоит выяснить, где они хранятся и как используются, и согласовать это с юристом. Это рабочая практика, а не отдельный риск для одной компании.

С чего начать, чтобы получить shortlist, а не хаос

Начните с критериев, а не с инструмента. Сядьте с руководителем вакансии и разделите требования на три группы: без чего кандидат не подходит, что желательно и что не должно влиять на оценку вообще. Именно последняя группа защищает вас от перекосов: возраст, пол, фамилия, учебное заведение, если оно не требуется по закону или специфике должности.

Дальше возьмите закрытую вакансию, по которой решение уже принято. Загрузите резюме и посмотрите, совпадает ли список модели с тем, кого вы выбрали вручную, и где не совпадает. Расхождения покажут, что поправить в формулировках критериев. Только после этого пускайте систему на живую вакансию и на первых порах просматривайте не только верхнюю группу, но и выборку из нижней: если там оказываются сильные кандидаты, критерии надо менять.

Третье правило: решение об отказе и приглашении принимает человек. Нейросеть готовит, объясняет, сортирует. Человек отвечает за итог.

Такой подход требует навыка формулировать критерии и проверять ответы модели, а не только умения открыть чат. Этому и посвящена программа «Нейрограмотность»: шесть модулей, 300 промптов, больше пятнадцати ИИ-инструментов, задания на реальных рабочих задачах, куратор, который их проверяет, три месяца доступа и месяц поддержки. Для компании подключение бесплатное. Если хотите отработать сценарий отбора на задачах вашего HR-отдела, посмотрите программу «Нейрограмотность» на сайте.