Рекрутер, который вручную читает сотню откликов на одну вакансию, тратит на первичный отбор больше времени, чем на содержательные интервью с финалистами. Нейросети для HR меняют именно это соотношение — не отменяя ответственность человека за решение о найме, а сдвигая её к более поздней стадии процесса.
Первичный скрининг резюме. Модель анализирует структуру документа, выделяет ключевые навыки, опыт и уровень образования и сопоставляет их с требованиями вакансии — сотня откликов разбирается на профили «подходит / не подходит / требует внимания» за минуты, а не часы.
Черновики вакансий. По краткому описанию задачи и требований — черновик текста вакансии с учётом типовой структуры (обязанности, требования, условия), который HR дорабатывает под голос компании и специфику роли.
Ответы на типовые вопросы новых сотрудников. Адаптация новичков включает десятки повторяющихся вопросов про отпуск, оформление документов, внутренние процессы — бот на основе загруженной базы знаний компании закрывает первый слой этих вопросов, оставляя HR время на содержательную часть адаптации.
Автоматизация работает в обе стороны рынка труда. Больше половины кандидатов сейчас используют нейросети при подготовке резюме, а 83% из них признаются, что применяли ИИ для преувеличения или приукрашивания навыков (incrussia.ru) — то есть автоматический скрининг одновременно разбирает всё больше резюме, которые сами написаны с помощью той же технологии. Это не повод отказываться от автоматизации скрининга, но повод не воспринимать прошедший автоматический отбор профиль как гарантированно честный — финальное интервью остаётся проверкой того, что в резюме соответствует действительности.
Здесь у темы есть сторона, которую нельзя честно обойти молчанием. Модели для скрининга обучаются на исторических данных о найме — и если в этих данных прошлых решений присутствовала дискриминация по полу, возрасту, национальности или другим признакам, модель рискует бессознательно воспроизвести тот же паттерн, просто потому что он статистически закодирован в обучающих данных. Это не гипотетический риск, а задокументированная проблема автоматического скрининга, с которой уже работает регулирование: с 2 августа 2026 года в ЕС системы ИИ в HR подпадают под категорию высокого риска AI Act (dobyto.ru) — это де-факто становится ориентиром даже для компаний вне ЕС, которые хотят выстроить процесс на опережение, а не разбираться с последствиями постфактум.
Практические меры защиты, которые снижают этот риск, а не устраняют его полностью: human-in-the-loop — обязательная проверка человеком на этапе, где модель могла бы единолично отсеять кандидата; обоснование каждой автоматической оценки, а не чёрный ящик с одним баллом на выходе; удаление имени, фото и других косвенных демографических маркеров из промпта при скрининге; регулярный аудит того, кого система отсеивает на входе, по сравнению с тем, кто проходит дальше по воронке вручную.
Финальное решение о найме. Скрининг сужает воронку, но решение «нанимаем этого человека» принимает рекрутер или руководитель, который видел кандидата на интервью — не модель, которая видела только текст резюме.
Предотвращение дискриминационных паттернов. Именно потому, что модель не осознаёт, что воспроизводит смещение из обучающих данных, ответственность за аудит процесса и его результатов лежит на компании, а не на технологии — «так решил алгоритм» не снимает ответственности с того, кто этот алгоритм внедрил и не проверяет.
Контекст, которого нет в резюме. Мотивация, soft skills, совместимость с командой — то, что интервью выявляет, а автоматический скрининг текста в принципе не может оценить по формальным полям документа.
Для скрининга резюме и составления вакансий подходит обычная языковая модель с чётким промптом, описывающим критерии отбора, — важнее не конкретный бренд модели, а то, насколько прозрачно сформулированы критерии и насколько регулярно HR-команда проверяет, кого система отсеивает. Для работы с несколькими задачами — скрининг, черновики вакансий, ответы на вопросы адаптации — агрегатор вроде Chat AI (chataibot.ru/business) закрывает это одной подпиской на команду вместо отдельных инструментов под каждую HR-задачу.
Нет — это и риск пропустить подходящего кандидата из-за формального несовпадения с критериями, и риск воспроизвести дискриминационный паттерн из исторических данных найма без контроля человека на ключевых точках воронки.
Регулярно сравнивать, кого система отсеивает на входе, с тем, кто в итоге получает оффер при ручной проверке той же выборки, — расхождение в структуре отсеянных и прошедших кандидатов по демографическим группам сигнализирует о проблеме раньше, чем она станет публичной.
Прозрачность снижает репутационные риски и вопросы постфактум — особенно учитывая, что регулирование в этой сфере движется в сторону обязательного раскрытия, а не остаётся делом доброй воли компании.