AI-агенты в найме: как машины отсеивают резюме и ведут интервью

Скрининг резюме алгоритмом и первичное собеседование с ботом — это уже не пилоты, а функции, встроенные в системы подбора персонала. LinkedIn Recruiter добавил ассистента на базе генеративных моделей, HireVue годами продаёт видеоинтервью с автоматическим анализом ответов, а российские вендоры вроде Talantix и решений на базе SberJazz предлагают чат-ботов для первичного обзвона кандидатов. Общий смысл один: сократить время на воронку, где рекрутер вручную читает сотни откликов и назначает десятки звонков. Ниже — что эти инструменты делают на самом деле, чем отличаются друг от друга и кому они подойдут.

Что именно автоматизируют

AI-агент^[1] в найме — это не одна модель, а связка задач, каждую из которых можно включить или выключить отдельно:

• Парсинг и структурирование резюме. Из PDF или DOCX извлекаются опыт, навыки, образование и раскладываются по полям базы. Это самая зрелая и надёжная часть — работает давно и почти без ошибок на аккуратно оформленных резюме.
• Скоринг соответствия вакансии. Модель сравнивает профиль кандидата с описанием вакансии и выставляет оценку релевантности. Здесь начинаются спорные места: критерии оценки часто непрозрачны.
• Первичное интервью. Чат-бот или голосовой агент задаёт заранее заданные вопросы, уточняет зарплатные ожидания, готовность к переезду, график. Ответы фиксируются и передаются рекрутеру.
• Анализ видеоинтервью. Самая спорная функция: система расшифровывает речь и оценивает содержание ответов. Анализ мимики и «тона голоса», который продавали ещё несколько лет назад, многие вендоры сворачивают из-за критики и регуляторного давления.

Экономия времени рекрутера на скрининге реальна. Но чем дальше вы отдаёте машине право принимать решение вместо права готовить решение, тем выше цена ошибки — и юридическая, и репутационная.

Чем инструменты отличаются

Сравнивать по одному критерию бессмысленно: одни продукты — это функция внутри большой системы подбора, другие — отдельные сервисы под конкретную задачу. Ниже — ориентир по типам, а не рейтинг. Точные цены и наличие функций в вашем регионе проверяйте на страницах вендоров: они меняются часто и зависят от тарифа.

Про бенчмарки честно

Публичных стандартизированных бенчмарков, по которым можно было бы сказать «сервис А точнее сервиса Б в скрининге», в открытом доступе фактически нет — в отличие от бенчмарков для языковых моделей вроде MMLU. Вендоры приводят собственные метрики точности парсинга и «согласованности с решениями рекрутеров», но методику измерения раскрывают редко. Поэтому любое утверждение «наш AI отбирает лучших кандидатов» стоит читать как маркетинг, пока не показана методика.

Где это ломается

Три проблемы повторяются у большинства систем скрининга.

1. Наследование предвзятости. Если модель училась на исторических решениях компании, где, скажем, чаще нанимали мужчин на технические роли, она может воспроизводить этот перекос. Классический публичный пример — свёрнутый экспериментальный инструмент подбора у Amazon, который занижал резюме со словом «женский» (women's). Это широко описанный случай, а не гипотеза.
2. Игра с ключевыми словами. Кандидаты знают про скоринг и набивают резюме терминами из вакансии, иногда белым шрифтом на белом фоне. Скоринг по совпадению слов легко обмануть, а хорошего специалиста без «правильных» формулировок — отсеять.
3. Ложная объективность. Балл соответствия 87% выглядит точным, но за ним стоит модель с непрозрачными весами. Рекрутер склонен доверять цифре больше, чем своему прочтению резюме, — и в этом главный риск.

Кому это пригодится, а кому нет

Пригодится:

• Массовый линейный подбор — колл-центры, логистика, розница, где на одну вакансию приходят сотни однотипных откликов и первичный обзвон отнимает всё время рекрутера. Голосовой бот, уточняющий график и зарплатные ожидания, здесь окупается быстро.
• Крупные компании со стабильным потоком вакансий, где есть кому настроить и контролировать критерии скоринга, а не включить «как есть».
• Разбор архива откликов, когда нужно быстро найти релевантные резюме в базе из тысяч записей.

Не пригодится или опасно:

• Точечный подбор редких специалистов, где важен контекст и нестандартный опыт — модель ранжирования их скорее отсеет.
• Компании без ресурса на аудит критериев: включить скоринг «из коробки» и слепо ему доверять — прямой путь к скрытой дискриминации и жалобам.
• Финальные решения о найме. AI-агент готовит воронку, но окончательный выбор без живого человека — это и юридический, и этический риск.

Что учесть перед внедрением

Прежде чем подключать любой из сервисов, ответьте себе на несколько вопросов: какие персональные данные кандидатов уходят в сторонний сервис и согласны ли на это соискатели; можете ли вы объяснить кандидату, почему его отклонили, если решение частично принял алгоритм; остаётся ли человек в контуре принятия решения. Обработка персональных данных при найме регулируется законом о персональных данных (152-ФЗ), а трудовые отношения — Трудовым кодексом; конкретные обязанности работодателя при автоматизированной обработке лучше сверить с юристом, а не с презентацией вендора.

^[1] AI-агент — программа, которая не просто отвечает на запрос, а выполняет цепочку действий для достижения цели: читает резюме, обращается к базе, ведёт диалог, фиксирует результат. В HR это обычно связка из модели распознавания текста, языковой модели и логики сценария, а не единый «искусственный интеллект».