ИИ в подборе персонала: как нейросети анализируют резюме

Полезно разделить задачи по тому, насколько в них дорога ошибка. Там, где ошибка дёшева и заметна, языковые модели работают отлично уже сейчас. Там, где она дорога и незаметна, — требуют человека рядом.

Со стороны это выглядит как «загрузил PDF — получил балл». Внутри почти всегда одна и та же цепочка, и понимать её полезно хотя бы для того, чтобы спрашивать поставщика правильные вещи.

1. Извлечение текста. PDF, DOCX или скан превращаются в плоский текст. Здесь теряется больше всего: двухколоночная вёрстка, таблицы и резюме-картинки читаются плохо. Скан без OCR не читается вовсе — и это первая причина несправедливых нулевых оценок.
2. Структурирование. Модель раскладывает текст на сущности: компании, должности, периоды, обязанности, достижения, навыки. На этом шаге появляется первый производный факт — суммарный стаж, который считается сложением периодов, а не берётся из текста.
3. Сопоставление с вакансией. Требования вакансии тоже разбираются в структуру, после чего модель ищет соответствия: не по совпадению слов, а по смыслу. Именно здесь нейросеть обыгрывает поиск по ключевым словам — «вёл команду из 8 человек» засчитывается как управленческий опыт без слова «менеджмент».
4. Оценка и обоснование. Модель выставляет баллы по заданным критериям и объясняет каждый — со ссылкой на конкретное место в резюме. Без последней части система превращается в чёрный ящик: балл есть, проверить его нельзя.

Отдельный вопрос — что делать с пограничными случаями. Разумная схема: если балл попадает в узкую полосу вокруг порога решения, резюме независимо переоценивается второй моделью, и расхождение выносится человеку. Это дороже одного прогона, но дешевле, чем систематически ошибаться ровно там, где цена ошибки максимальна.

Модели ошибаются не случайно, а закономерно. Пять режимов отказа встречаются в подборе чаще всего.

1. Награда за красноречие

Кандидат, умеющий писать, получает балл выше при том же опыте. Это не баг модели, а свойство текста: язык — единственный канал, по которому она получает данные. Компенсируется структурированными вопросами при отклике, ответы на которые сравнимы между кандидатами.

2. Уверенная выдумка

Модель может дописать деталь, которой в резюме нет: приписать проекту масштаб, а должности — обязанности «по умолчанию для такой роли». Единственная защита — требование цитаты: обоснование должно опираться на фрагмент исходного текста, а не на общее знание о профессии.

3. Арифметика словами

Числовые поля, которые модель «считает» — суммарный стаж, число подчинённых, процент роста, — регулярно расходятся с исходными данными. Любое число, приехавшее от модели, стоит пересчитывать кодом по извлечённым периодам, а не принимать на веру.

4. Дрейф между прогонами

Одно и то же резюме, прогнанное дважды, даёт разные баллы. Небольшой разброс неизбежен, крупный — признак того, что критерии сформулированы слишком расплывчато. Проверяется элементарно: прогоните десять резюме по два раза и посмотрите на разброс. Если он больше 5 пунктов из 100, доверять ранжированию близких кандидатов нельзя.

5. Смена модели меняет оценки

Плавающий алиас модели у поставщика («последняя версия») означает, что однажды утром ваши кандидаты начнут оцениваться иначе, без единой правки с вашей стороны. Версия модели должна быть зафиксирована явно, а её смена — считаться изменением методики, а не обновлением.

Слово «агент» сейчас наклеивают на всё подряд, поэтому отделим по признаку, который имеет практические последствия.

• Чат-бот отвечает на сообщение. Один вход — один выход, состояния между обращениями нет. Хорошо закрывает FAQ кандидатов и сбор анкетных данных.
• Сценарный ассистент выполняет заданную цепочку: разобрать резюме, оценить, записать в базу, отправить письмо. Шаги определены заранее — это обычная автоматизация с языковой моделью внутри.
• Агент сам выбирает следующий шаг ради поставленной цели и может вызывать инструменты. В подборе это пока применимо на узких участках — например, дособрать недостающие данные о кандидате, — потому что цена ошибочного самостоятельного действия здесь высока.

Для подбора в 2026 году практический максимум — второй уровень с человеком на выходе. Агентность имеет смысл там, где действие обратимо: черновик письма, подготовка вопросов, обогащение карточки. Не там, где на другом конце человек получает отказ.

Простая процедура, которая занимает полдня и экономит месяцы недоверия к инструменту.

1. Возьмите 30 резюме по уже закрытой вакансии — с известным исходом: кого позвали, кого наняли, кто прошёл испытательный срок.
2. Прогоните их через модель вслепую, не подсказывая исход.
3. Сравните ранжирование модели с фактическим: попали ли нанятые в верхнюю треть.
4. Отдельно посмотрите на ложные отказы — высоко оценённых людьми, но низко оценённых моделью. Прочитайте обоснования: в них видно, какой критерий сформулирован неудачно.
5. Прогоните те же 30 резюме второй раз и посчитайте разброс баллов.
6. Повторяйте проверку при каждой смене версии модели или правке критериев.

Резюме — персональные данные, а автоматическая оценка кандидата — их обработка. Это накладывает несколько обязанностей, о которых при выборе ИИ-инструмента вспоминают в последнюю очередь.

• Согласие на обработку. Кандидат должен дать его до того, как резюме попадёт в систему, — в форме отклика, а не постфактум.
• Цель и срок хранения. Формулируются заранее и ограничены: «до заполнения вакансии» — корректно, «бессрочно» — нет.
• Локализация баз (ст. 18 ч. 5). Первичная запись персональных данных граждан России должна происходить на серверах в России. Это ограничение на архитектуру, и для зарубежного SaaS оно часто непреодолимо.
• Статья 16 152-ФЗ: решение, порождающее юридические последствия, не может приниматься исключительно автоматизированной обработкой без письменного согласия человека. Отказ в найме по одному лишь баллу модели — прямо тот случай.
• Право на возражение. Кандидат вправе заявить возражение против решения, принятого автоматически, и работодатель обязан его рассмотреть.

Практический вывод сходится с инженерным: модель оценивает, человек решает. Это не осторожность ради осторожности — это единственная конфигурация, в которой автоматическая оценка кандидатов в России юридически чиста. Здесь не заменяется консультация юриста: проверьте свою формулировку согласия под конкретный процесс.

1. Возьмите одну вакансию с потоком от 50 откликов — на маленьком потоке эффект не измерить.
2. Сформулируйте критерии и веса письменно. Это работа на час, и она даёт больше, чем выбор инструмента.
3. Прогоните архив закрытой вакансии вслепую и сверьте с фактом (процедура выше).
4. Запустите параллельно: модель оценивает, рекрутер работает как раньше. Две недели — достаточно, чтобы увидеть расхождения.
5. Сравните не скорость, а долю приглашённых, дошедших до финала. Скорость вырастет в любом случае — вопрос в том, не упало ли качество.