Как искусственный интеллект изменяет подход к найму людей, ускоряет рекрутинг и может на этом сэкономить деньги компании? Рассказывает Chief Revenue Officer компании 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.
Когда бизнес масштабируется, каждая неделя задержки с наймом сотрудников влияет на способность вовремя выйти на рынок и вернуть инвестиции.
За последние несколько лет я принял участие в найме около 500 сотрудников в разных странах, закрывал топовые позиции на самых конкурентных рынках. Из этого опыта мне очевидно: в процессе отбора и рекрутинга есть задачи, требующие глубокой человеческой экспертизы: критический анализ, собеседование, принятие решения о соответствии кандидата должности.
- Категория
- Рейтинги
- Дата
Но есть и чисто механические этапы, которые можно автоматизировать вместо того, чтобы тратить на них время и деньги компании.
Я начал экспериментировать с инструментами на базе ИИ. Первые результаты превзошли ожидания: объем специализированных задач, которые раньше выполняла команда из пяти-шести человек, теперь может быть передан одному специалисту при условии, что он понимает логику процессов и умеет грамотно взаимодействовать с системой.
Эти решения еще далеки от совершенства и находятся в фазе тестирования. Но даже в действующем виде дают достойный результат. Как именно ИИ помогает бизнесу выстраивать процесс найма, что уже можно автоматизировать и где пока остаются ограничения.
Где бизнес теряет деньги: реальные цифры и логика потерь
Когда компания выходит на новый рынок, дороже всего – не офис, не лицензии и даже не маркетинг, а время, идущее на поиск нужных людей. Этот процесс может растягиваться на месяцы, а потерянная прибыль за этот период исчисляется миллионами.
Приведу пример поиска продавца в B2B-сегменте в Нью-Йорке.
Средняя зарплата такого специалиста превышает $150 000 в год. Его же годовой вклад в выручку компании – от $500 000 до $1 млн. Задержка с наймом такого сотрудника всего на два месяца означает минус $100 000–200 000 дохода в год. Если речь идет о команде из 10 продавцов для запуска представительства, совокупная потеря составляет от $1 млн до $2 млн.
Что чаще всего тормозит процесс?
Уже на старте – сорсинг кандидатов с соответствующим профилем в LinkedIn. Ответственный специалист тратит три-четыре минуты на просмотр одного профиля. Чтобы проработать хотя бы 2000 анкет и сделать предварительный отбор для дальнейшей коммуникации, на практике уходит целый месяц. В Украине такая работа стоит не менее $20 000 в год, а на Западе – около $60 000.
Эту часть – первичный отбор и предварительную фильтрацию – уже сегодня можно передать ИИ. Даже ранние прототипы справляются с этой задачей за несколько часов. Это разница между «результатом за месяц» и «результатом до вечера».
ИИ в рекрутинге: автоматизация ключевых этапов
ИИ меняет не только скорость, но и саму логику подбора. В нашей команде разработан собственный SaaS-продукт, объединяющий несколько решений в единую систему. Один модуль загружает данные из LinkedIn, второй обрабатывает и структурирует массив информации, третий передает задачи языковой модели, которая формирует оценки по заданному набору критериев и возвращает результат со списком приоритетных кандидатов. Все работает последовательно в пределах продуманной системы промптов.
Процесс начинается с описания роли: какие задачи будут стоять перед кандидатом, с какими проектами он будет работать, какие компетенции для этого необходимы. Система помогает не просто сэкономить время, а сразу задать нужную глубину. Достаточно сформулировать запрос: «Требуется руководитель с таким-то функционалом» – и система возвращает список ключевых компетенций.
Далее – индикаторы: как каждая компетенция проявляется в поведении, на что обращать внимание в языке кандидата, какие маркеры свидетельствуют о релевантном опыте. После этого – выбор вопросов для интервью.
Следующий шаг – сорсинг. ИИ получает пул профилей, применяет заранее заданные критерии и квалифицирует кандидатов по степени соответствия: от 100% до «не подходит». При этом учитываются не только формальные признаки, но и контекст: опыт крупных сделок, длительные циклы продаж, специфика продукта, тональность описания, наличие наград или достижений, часто публикуемых топовыми продавцами.
Оценка формируется по системе признаков. К примеру, если у кандидата нет опыта в B2B, система ставит ноль. Если же есть подтвержденный трек в B2B-продажах, опыт закрытия enterprise-сделок, длительная работа на релевантных позициях, то оценка высокая. Таких критериев может быть 10 и более, и для каждого из них настраивается собственная логика интерпретации.
Вся информация извлекается непосредственно из LinkedIn: описание профиля, блок «about», продолжительность работы, названия компаний. Система определяет, является ли компания SaaS-бизнесом, сколько в ней работает людей, к каким рынкам она принадлежит.
Эти данные накладываются на промпты, анализируются и оцениваются по каждой компетенции. В результате формируется объективная шкала: 15 из 15 – идеальный стартовый результат.
Где ИИ пока не справляется: ограничения и риски
ИИ может многое, но он все еще ошибается. Даже в самых простых задачах – там, где не нужен креатив или интуиция, ИИ часто теряет контекст. Он забывает, пропускает детали, неправильно интерпретирует входящие данные. Особенно это критично, когда система работает с несколькими компетенциями одновременно.
Поэтому в рекрутинге важно не только то, как быстро система находит кандидатов, но и то, кто проверяет результат.
Сейчас я настраиваю процессы так, чтобы ключевые шаги проходили дополнительную верификацию с использованием нескольких моделей – ChatGPT, Gemini и других. Они анализируют одни и те же профили с разных сторон. Это снижает вероятность ошибки, но не устраняет ее полностью.
Есть еще одно ограничение для ИИ – оценка кандидатов, с которыми технологии пока не справляются и, возможно, еще долго не смогут.
Технически система способна отсортировать десятки тысяч профилей и выделить сотни лучших кандидатов в день – то, на что раньше уходил месяц и больше. Но дальше все упирается в человека. Нужно позвонить по телефону, поговорить, услышать, как человек формулирует свои мысли, понять, насколько он подходит под конкретную роль.
Это задача, где важны структура, скрипт, контекст, способность интерпретировать поведение и ответы. ИИ пока с этим не справляется даже с учетом появления очень качественных голосовых моделей.
Кроме того, в Европе обсуждаются и внедряются нормы, запрещающие системам принимать решения о пригодности кандидатов. Особенно если речь идет о тех, кто сам подает заявку. Даже техническая автоматизация оценки уже граничит с нарушением compliance.
Кто знает, возможно, это и к лучшему, что решение остается за человеком. Это сохраняет главный элемент отбора при найме – эмпатию и здравый смысл. Когда машина начнет решать, кто годен, а кто нет, мы окажемся в совершенно иной реальности. И неизвестно, понравится ли она нам.
Вы нашли ошибку или неточность?
Оставьте отзыв для редакции. Мы учтем ваши замечания как можно скорее.
