Як штучний інтелект змінює підхід до наймання людей, пришвидшує рекрутинг і може на цьому заощадити компанії гроші? Розповідає Chief Revenue Officer компанії iDeals
Коли бізнес масштабується, кожен тиждень затримки з найманням співробітників впливає на здатність вчасно вийти на ринок і повернути інвестиції.
За останні кілька років я взяв участь у найманні близько 500 співробітників у різних країнах, закривав топові позиції на найбільш конкурентних ринках. З цього досвіду мені очевидно: у процесі відбору та рекрутингу є завдання, що потребують глибокої людської експертизи: критичний аналіз, співбесіда, прийняття рішення щодо відповідності кандидата посаді.
- Категорія
- Рейтинги
- Дата
Але є й суто механічні етапи, які можна автоматизувати замість того, щоб витрачати на них час і гроші компанії.
Я почав експериментувати з інструментами на базі ШІ. Перші результати перевершили очікування: обсяг спеціалізованих завдань, які раніше виконувала команда з п’яти-шести людей, тепер може бути переданий одному фахівцю за умови, що він розуміє логіку процесів і вміє грамотно взаємодіяти із системою.
Ці рішення ще далекі від досконалості й перебувають у фазі тестування. Але навіть у чинному вигляді дають гідний результат. Як саме ШІ допомагає бізнесу вибудовувати процес найму, що вже можна автоматизувати й де поки що залишаються обмеження.
Де бізнес втрачає гроші: реальні цифри та логіка втрат
Коли компанія виходить на новий ринок, найдорожче – не офіс, не ліцензії і навіть не маркетинг, а час, що йде на пошук потрібних людей. Цей процес може розтягуватися на місяці, а втрачений прибуток за цей період обчислюється мільйонами.
Наведу приклад із пошуком продавця в B2B-сегменті у Нью-Йорку.
Середня зарплата такого спеціаліста перевищує $150 000 на рік. Його ж річний внесок у виторг компанії – від $500 000 до $1 млн. Затримка з найманням такого співробітника лише на два місяці означає мінус $100 000–200 000 доходу на рік. Якщо йдеться про команду з 10 продавців для запуску представництва, сукупна втрата становить від $1 млн до $2 млн.
Що найчастіше гальмує процес?
Уже на старті – сорсинг кандидатів із відповідним профілем у LinkedIn. Відповідальний спеціаліст витрачає три-чотири хвилини на перегляд одного профілю. Щоб опрацювати хоча б 2000 анкет і зробити попередній відбір для подальшої комунікації, на практиці йде цілий місяць. В Україні така робота коштує не менше $20 000 на рік, а на Заході – близько $60 000.
Цю частину – первинний відбір і попередню фільтрацію – вже сьогодні можна передати ШІ. Навіть ранні прототипи справляються із цим завданням за кілька годин. Це різниця між «результатом за місяць» і «результатом до вечора».
ШІ в рекрутингу: автоматизація ключових етапів
ШІ змінює не лише швидкість, а й саму логіку підбору. У нашій команді розроблено власний SaaS-продукт, що обʼєднує кілька рішень у єдину систему. Один модуль завантажує дані з LinkedIn, другий обробляє й структурує масив інформації, третій передає завдання мовній моделі, яка формує оцінки за заданим набором критеріїв і повертає результат зі списком пріоритетних кандидатів. Усе працює послідовно в межах продуманої системи промптів.
Процес починається з опису ролі: які завдання стоятимуть перед кандидатом, з якими проєктами він працюватиме, які компетенції для цього необхідні. Система допомагає не просто заощадити час, а одразу задати потрібну глибину. Достатньо сформулювати запит: «Потрібен керівник з таким-то функціоналом» – і система повертає перелік ключових компетенцій.
Далі – індикатори: як саме кожна компетенція проявляється в поведінці, на що звертати увагу в мові кандидата, які маркери свідчать про релевантний досвід. Після цього – підбір запитань для інтерв’ю.
Наступний крок – сорсинг. ШІ отримує пул профілів, застосовує заздалегідь задані критерії та кваліфікує кандидатів за ступенем відповідності: від 100% до «не підходить». При цьому враховуються не лише формальні ознаки, а й контекст: досвід великих угод, тривалі цикли продажів, специфіка продукту, тональність опису, наявність нагород або досягнень, які часто публікують топові продавці.
Оцінка формується за системою ознак. Наприклад, якщо у кандидата немає досвіду в B2B, система ставить нуль. Якщо ж є підтверджений трек у B2B-продажах, досвід закриття enterprise-угод, тривала робота на релевантних позиціях, то оцінка висока. Таких критеріїв може бути 10 і більше, і для кожного з них налаштовується власна логіка інтерпретації.
Уся інформація витягується безпосередньо з LinkedIn: опис профілю, блок «about», тривалість роботи, назви компаній. Система визначає, чи є компанія SaaS-бізнесом, скільки в ній працює людей, до яких ринків вона належить.
Ці дані накладаються на промпти, аналізуються й оцінюються за кожною компетенцією. У результаті формується об’єктивна шкала: 15 з 15 – ідеальний стартовий результат.
Де ШІ поки не справляється: обмеження і ризики
ШІ може багато, але він все ще помиляється. Навіть у найпростіших завданнях – там, де не потрібні креатив чи інтуїція, ШІ часто втрачає контекст. Він забуває, пропускає деталі, неправильно інтерпретує вхідні дані. Особливо це критично, коли система працює з кількома компетенціями одночасно.
Тому в рекрутингу важливо не лише те, наскільки швидко система знаходить кандидатів, а й те, хто перевіряє результат.
Зараз я налаштовую процеси так, щоб ключові кроки проходили додаткову верифікацію з використанням кількох моделей – ChatGPT, Gemini та інших. Вони аналізують одні й ті самі профілі з різних боків. Це знижує ймовірність помилки, але не усуває її повністю.
Є ще одне обмеження для ШІ – оцінка кандидатів, з якою технології поки не справляються і, можливо, ще довго не зможуть.
Технічно система здатна відсортувати десятки тисяч профілів і виділити сотні найкращих кандидатів за день – те, на що раніше йшов місяць і більше. Але далі все впирається в людину. Потрібно зателефонувати, поговорити, почути, як людина формулює свої думки, зрозуміти, наскільки вона підходить під конкретну роль.
Це завдання, де важливі структура, скрипт, контекст, здатність інтерпретувати поведінку і відповіді. ШI поки з цим не справляється, навіть з урахуванням появи дуже якісних голосових моделей.
Крім того, в Європі обговорюються і впроваджуються норми, які забороняють системам ухвалювати рішення щодо придатності кандидатів. Особливо якщо йдеться про тих, хто сам подає заявку. Навіть технічна автоматизація оцінки вже межує з порушенням compliance.
Хто знає, можливо, це й на краще, що рішення залишається за людиною. Це зберігає головний елемент відбору при найманні – емпатію і здоровий глузд. Коли машина почне вирішувати, хто придатний, а хто ні, ми опинимося в зовсім іншій реальності. І невідомо, чи сподобається вона нам.
Ви знайшли помилку чи неточність?
Залиште відгук для редакції. Ми врахуємо ваші зауваження якнайшвидше.
