Як штучний інтелект змінює підхід до наймання людей, пришвидшує рекрутинг і може на цьому заощадити компанії гроші? Розповідає Chief Revenue Officer компанії iDeals
Купуйте річну передплату на шість журналів Forbes Ukraine за ціною чотирьох номерів. Якщо ви цінуєте якість, глибину та силу реального досвіду, ця передплата саме для вас.
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.
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.
