ИИ в работе рекрутера: ключевые процессы и риски

Искусственный интеллект берет на себя значительную часть рутинных задач рекрутера, высвобождая время и ресурсы для стратегической работы. Но невнимательное использование ИИ несет риски несправедливого отбора. 

Мария Волкова, генеральный директор компании Staffberry на собственном опыте объяснила, с какими подводными камнями внедрения ИИ сталкивается почти каждый.

Сортировка и скрининг резюме

Этот процесс — абсолютный лидер по автоматизации в рекрутменте. В отличие от простого поиска по ключевым словам, современные алгоритмы способны распознавать взаимосвязи между навыками и опытом работы. Это позволяет точнее оценить соответствие кандидата должности.

Вместо обработки сотен резюме рекрутер может быстро получить 10-20 наиболее релевантных откликов и сконцентрироваться на ключевых задачах: углубленном анализе короткого списка, оценке мягких навыков, мотивации и соответствии культурным ценностям компании. Также это освобождает время на стратегию найма, общение с топ-кандидатами и т. д. Но ИИ может неверно интерпретировать данные в резюме или не заметить перспективного кандидата с нестандартным профилем. 

Робот отлично посчитает стаж, средний балл диплома или количество проданных товаров. Но он не в состоянии точно оценить способности или увидеть скрытый потенциал кандидата. А главный риск — предвзятость алгоритмов, если они работают на неудачных примерах.

✍️ Пример

Последние 10 лет в компании «Н» на должность инженера брали только мужчин. Тогда алгоритм решает: «Все успешные сотрудники в базе — мужчины. Значит, пол = важный признак успеха». Но однажды приходит высококвалифицированная женщина-инженер, и алгоритм ставит ей низкий рейтинг. Он не ненавидит женщин, а просто приходит к выводу: «Вы не похожи на успешного сотрудника из моей таблички Excel».

Написание текста вакансий

ИИ мгновенно создает концепт текста на основе короткого промпта. Это экономит часы рутинной работы, и рекрутер может сосредоточиться на глубоком анализе требований позиции. Но вакансия без редактирования может потерять уникальный стиль, отражающий культуру и ценности компании, а значит стать непривлекательной. 

ИИ иногда генерирует неверные или избыточные требования. Поэтому наиболее рабочей будет схема, при которой нейросеть создает черновики и предлагает идеи, а человек редактирует и добавляет конкретики.

Таргетирование на определенную группу кандидатов

ИИ превращает таргетирование из массового охвата в более точечный поиск нужных кандидатов. Алгоритмы анализируют профили и активность, чтобы найти кандидатов, подходящих по навыкам и культуре компании.

Сообщения вакансий автоматически адаптируются под разные группы соискателей — специалисты с опытом, студенты, руководители и т. д. Вместо одного универсального текста получается несколько коммуникативных вариантов для каждой выборки. И все версии говорят с аудиторией на ее языке, отвечая на ее главный вопрос: «Какие преимущества я получу при отклике на вакансию?»

Здесь система тоже бывает предвзятой, как и в случае со скринингом, потому что обучается на исторических данных. Она может исключать из выборки целые группы кандидатов — по возрасту, полу, образованию. Поэтому таргетирование также требует контроля со стороны рекрутера.

Оценка навыков

Алгоритмы способны сделать автоматический анализ компетенций кандидата, но окончательное решение должен принимать рекрутер после личного интервью. Не всегда очевидно, по какой логике система выставляет оценку. Снова возникает проблема заложенной в алгоритм предвзятости, например, если исторически нанимали только кандидатов из определенных вузов.

Система может неверно интерпретировать творческий подход кандидата при решении задачи, стрессовую реакцию на запись или особенности коммуникации. ИИ — это отличный счетчик, но плохой психолог. Он видит только симптомы — покраснел, заикался, долго молчал, сделал не то, что написано в инструкции, но не понимает причины — жарко, стесняется камеры, особенности характера и т. д.

Чтобы обеспечить качество и справедливость отбора, нужен отдельный процесс — исключение предвзятости. То есть постоянный аудит, настройку алгоритмов и критического осмысления воронки отбора.

Отправка сообщений кандидатам

ИИ автоматизирует отправку сообщений на разных этапах воронки найма:

• Первое сообщение потенциальным кандидатам, найденным на работных сайтах
• Уведомления о статусе взаимодействия с кандидатом 
• Ответ на типовые вопросы кандидатов и передача вопросов рекрутера
• Напоминания о собеседовании
• Запрос и передача обратной связи

Система сама синхронизируется с ATS и отправляет сообщения в нужный момент. Основное преимущество — экономия времени, которое рекрутеры тратят на рутинную переписку. Риск здесь в том, что процесс коммуникации может стать безликим. Кроме того, алгоритм не всегда корректно отвечает на нестандартный вопрос или допускает ошибки, используя данные из профиля кандидата.

Как мы  сэкономили 5+ часов в неделю, построив прозрачный наем на данных с помощью ИИ

В связи с ростом заказов на подбор персонала команда Staffberry столкнулась с рядом вызовов, которые сильно увеличили нагрузку на команду:

• тысячи откликов
• долгая подготовка к встречам с заказчиками
• потеря данных в таблицах
• субъективные оценки кандидатов

Нам необходимо было ускорить операционные процессы без потери качества и с возможностью аналитики каждого шага.

Мы внедрили комплексный технологичный подход, который делится на три уровня. 

Первый — система учета. Мы используем облачную платформу, где храним все данные о кандидатах, а также выстроили прозрачную воронку найма и оцифровали каждый этап — отклик, скрининг, интервью, оффер. Дополнительно, внедрили отчет по отказам. Это решение позволило нам лучше анализировать слабые места вакансий. Если кандидаты массово «отваливаются» после прочтения описания — мы видим это в цифрах и меняем текст или условия.

Второй уровень — автоматизация процессов. То есть скрининг, переписки с кандидатами и т. д. — как я и описывала выше.

Третий уровень — усиление команды с помощью ИИ. Мы интегрировали ИИ-чат в повседневную работу, чтобы снять с команды рутинные процессы.

Приведем цифры, которые наглядно покажут экономию времени. 

Декомпозиция интервью

Ранее после каждого интервью рекрутер тратил время на структурирование записей. Теперь мы прогоняем итоги через чат ИИ. Он декомпозирует встречу, формирует выводы и собирает все в единый структурированный формат. Это освобождает примерно 30 минут на каждого кандидата.

Подготовка к брифам с заказчиками 

Один из сложных этапов — подготовка к встрече с нанимающим менеджером. Раньше мы могли гуглить и структурировать информацию часами, особенно по сложным или нишевым вакансиям. 

Сейчас мы размещаем в чат ИИ первоначальный запрос от заказчика, и ИИ предлагает список вопросов, декомпозирует задачу, ищет возможные проблемы. Результат — экономия от 10 минут до двух часов в зависимости от сложности брифа. 

Стратегические сессии по воронке

Раз в неделю мы проводим встречи, где анализируем воронку и думаем, как закрыть сложные вакансии. Раньше накидывали идеи вручную, а теперь передаем ИИ краткое описание вакансии и текущей ситуации. Система предлагает способы решения и каналы поиска.

На этом мы сэкономили три-часа совместной работы в неделю.

В итоге мы можем обрабатывать тысячи откликов, не теряя кандидатов. Решения принимаются на основе данных и аналитики, а не субъективных оценок из разряда «нравится/не нравится».

При этом мы не идеализируем технологию и всегда «держим руку на пульсе». ИИ хорош в качестве инструмента для черновиков, структурирования и генерации идей, но финальное решение, проверка фактов и стратегический контроль всегда остаются за человеком.

Поставьте 👍 и поделитесь статьей с коллегами, если было полезно!