Как искусственный интеллект изменяет подход к найму людей, ускоряет рекрутинг и может на этом сэкономить деньги компании? Рассказывает Chief Revenue Officer компании iDeals
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.
