Почему одного запроса на hh.ru уже мало: как мы строим AI-поиск кандидатов

Поиск кандидатов начинается не с базы резюме, а с интерпретации задачи. Нанимающий менеджер говорит: «Нужен руководитель клиентского сервиса в B2B, который управлял большой командой и строил поддержку с нуля». Дальше рекрутер переводит эту формулировку на язык поиска: выбирает названия должностей, ключевые слова, отрасли, фильтры, составляет запросы и несколько раз пересобирает их по результатам выдачи.

При таком переводе легко потерять подходящего человека. Один кандидат может указать Head of Support, другой — Customer Service Director, третий — Руководитель клиенского сервиса. У одного нужный опыт будет в SaaS, у другого в финтехе. Формально профили разные, но по сути они могли решать одни и те же задачи.

Масштаб проблемы хорошо виден на данных о названиях профессий. Lightcast сводит более 20 млн реальных вариантов названий примерно к 75 тысячам стандартизированных профессий. А по данным hh.ru, 68% российских компаний уже в той или иной степени используют навыкоцентричный подход к найму, а если проще — ищут по ключевым словам.

Мы решили создать принципиально другой поиск

В Jinn мы развиваем Magic Search — AI-сервис для поиска и первичной оценки кандидатов. Он работает с двумя большими задачами рекрутера: входящими откликами и холодным поиском.

Логика начинается с вакансии. ИИ разбирает ее на критичные, обязательные и желательные требования. Пользователь может также указать дополнительные требования и «красные флаги», которые блокируют рассмотрение. Рекрутер видит получившуюся структуру и может ее поправить: например, сделать отраслевой опыт обязательным или, наоборот, убрать его из жестких ограничений.

На основе этих требований ИИ формирует несколько поисковых стратегий, ищет кандидатов на hh.ru и LinkedIn, отсеивает профили, которые не проходят критичные требования, объединяет результаты и ранжирует наиболее релевантных.

Дальше по тем же требованиям оцениваются резюме. Система сопоставляет с вакансией не только отдельные слова, но и профессиональный контекст: какой опыт был у кандидата, какой масштаб задач он решал, какие требования закрывает, а где остаются пробелы. На выходе рекрутер получает оценку, короткое саммари, аргументацию по критериям и риски, которые стоит проверить дальше.

Чем это отличается от поиска на hh.ru

Опытный сорсер и без ИИ редко ограничивается одной формулировкой. Если подходящих людей мало, он меняет название роли, добавляет соседнюю отрасль, смотрит кандидатов из компаний с похожей бизнес-моделью, ослабляет один критерий и усиливает другой. По сути это последовательность поисковых гипотез.

Разница в том, что человек проверяет их по очереди, а ИИ может делать это параллельно. Поэтому задача Magic Search — не просто сгенерировать сложный Boolean-запрос вместо рекрутера. Система должна проверить несколько способов найти нужного человека и свести результаты в один список.

Это важно и по другой причине: слишком жесткие критерии действительно могут отсекать сильных кандидатов. В исследовании Harvard Business School и Accenture 88% работодателей, использовавших системы управления наймом при поиске высококвалифицированных специалистов, считали, что такие системы хотя бы иногда отсеивают людей, которые могли бы успешно выполнять работу, но не совпали с точными критериями вакансии.

Поэтому хороший AI-поиск должен уметь разделять две вещи: без чего кандидат действительно не подходит и что просто повышает его релевантность. Первое можно использовать для отсечения, второе — для ранжирования.

Почему AI-оценке можно доверять

Есть еще одна проблема: даже хороший поиск легко превратить в черный ящик. Если ИИ показывает кандидату 4 из 4 или ставит его первым в списке, рекрутеру все равно нужно понимать, почему. Иначе AI просто заменяет ручной просмотр непрозрачным рейтингом.

Для HR-рынка это уже не теоретический вопрос. В исследовании Sk Финтех Хаба Фонда «Сколково» релевантность результатов назвали важным фактором при выборе AI HR-решения 75% респондентов, а объяснимость — 67%. Исследование Sk Финтех Хаба.

Поэтому в Magic Search мы не ограничиваемся итоговой оценкой. По каждому кандидату система показывает, какие требования подтверждаются его опытом, где есть несоответствия и что стоит перепроверить. Рекрутер может спорить с оценкой, менять критерии и принимать решение сам.

Это особенно важно сейчас, когда российский рынок скорее тестирует AI-инструменты, чем массово передает им найм целиком. Чтобы ИИ стал рабочим инструментом, его выводы должны быть проверяемыми.

Что мы увидели на реальных поисках

С момента запуска Magic Search пользователи провели более тысячи поисков, через систему прошли оценку почти 5 миллионов профилей.

Этот масштаб быстро показал простую вещь: ценность AI-поиска не в том, сколько резюме он способен посмотреть. Миллионы профилей сами по себе ничего не дают рекрутеру. Ценность появляется, когда система умеет из огромного пространства кандидатов вывести несколько десятков людей, с которыми действительно стоит продолжать работу.

Поэтому главный вопрос для нас сейчас не «сколько резюме нашел ИИ», а насколько хорошо разные поисковые стратегии дополняют друг друга: находит ли одна гипотеза сильных кандидатов, которых не дала другая, и насколько качественно система расставляет их по приоритету.

Скорость при этом остается заметным эффектом. Первичный шортлист из 30 кандидатов формируется менее чем за пять минут, тогда как ручной поиск сопоставимого количества подходящих профилей занимает около 12 часов.

Для сравнения: в международном исследовании Bullhorn специалисты recruitment & staffing оценивали затраты на search & match в среднем в 14,6 часа в неделю. Bullhorn GRID 2025.

Это означает, что от ручного перебора запросов и десятков резюме рекрутер может быстрее перейти к тому, что действительно требует человека: разобраться в неоднозначном опыте, обсудить кандидата с нанимающим менеджером, понять мотивацию и провести интервью.

Мы не считаем, что ИИ должен принимать решение о найме. Наша задача гораздо практичнее: убрать из поиска и первичного разбора резюме как можно больше ручной механики и при этом оставить рекрутеру понятную логику, по которой получился результат.