Кого теряет ИИ-скрининг и как проверить это до масштабирования

Искусственный интеллект постепенно занимает место в рабочем контуре рекрутмента. В исследовании «Созвездие ATS 2026» консалтинговой компании «Технологии Доверия» отмечают расширение применения ИИ в системах подбора для поиска и ранжирования кандидатов, анализа резюме и формирования рекомендаций рекрутерам.

Вместе с автоматизацией появляется новая управленческая задача. Если система ошибается на первичном этапе, часть решений может пройти мимо внимания рекрутера. Авторы исследования о рекомендациях ИИ при отборе персонала провели пять экспериментов с 1403 участниками, включая отдельную выборку из 242 HR-специалистов. Они выяснили, что ошибочные рекомендации ухудшали качество решений, а люди продолжали следовать неверным советам, даже если получали дополнительные объяснения со стороны ИИ.

Поэтому перед масштабированием ИИ-скрининга стоит проверить, какие ошибки он допускает именно на ваших вакансиях и что эти ошибки меняют в воронке. Для такого пилота необязательно иметь сотни откликов на одну позицию.

Содержание

Определите задачу и цену ошибки

Соберите эталон на доступных данных

Проведите теневой запуск на реальных кандидатах

Смотрите на виды ошибок

Расширяйте автоматизацию постепенно

Как ИИ-скрининг можно встроить в e-staff

Краткий чек-лист перед масштабированием

Определите задачу и цену ошибки

Начинать проверку стоит с конкретной задачи. Формулировка «оценить кандидата» слишком широка. Система может ранжировать резюме по степени соответствия вакансии, проверять обязательные требования, анализировать ответы на квалификационные вопросы или рекомендовать дальнейший этап.

Для каждого сценария критична своя ошибка:

Если ИИ используется для автоматического отсева, основной риск связан с подходящими кандидатами, которых система остановит по ошибке. Для дефицитной вакансии даже несколько таких решений могут существенно сузить выбор.
При ранжировании релевантный кандидат может остаться в воронке, но оказаться настолько низко в списке, что рекрутер до него не дойдет. В диалоговом прескрининге нужно дополнительно проверять, корректно ли система интерпретирует ответы и достаточно ли собранной информации для оценки.

До пилота команда должна зафиксировать обязательные и желательные требования, определить допустимые основания для отказа и договориться, какие случаи требуют участия рекрутера. Если сами специалисты трактуют критерии по-разному, оценивать качество автоматизации будет сложно.

Соберите эталон на доступных данных

Компаниям со средним объемом найма не нужно ждать, пока по одной вакансии накопятся сотни резюме. Проверку можно построить на нескольких прошлых и текущих подборах, если роли и требования достаточно близки.

Выберите похожие вакансии

Возьмите одну повторяющуюся роль или несколько вакансий с практически одинаковыми требованиями. Например, если на одну позицию приходит 20−30 откликов, можно объединить несколько последовательных подборов этой роли. Смешивать в одну выборку кандидатов на принципиально разные должности не стоит.
Соберите прошлые резюме

Включите очевидно подходящих и неподходящих кандидатов, а также пограничные случаи. Особенно полезны резюме с нестандартными названиями должностей, смежным опытом, короткими описаниями проектов и другими формулировками, которые требуют содержательной интерпретации.
Разметьте кандидатов заново

Рекрутер и, по возможности, нанимающий менеджер оценивают кандидатов по заранее установленным критериям до просмотра результата ИИ. Прошлый статус кандидата лучше не считать автоматически правильным ответом, поскольку исторические решения команды тоже могли быть непоследовательными.
Зафиксируйте спорные решения

Если специалисты расходятся в оценке кандидата, запишите причину. Частые разногласия показывают, что сначала стоит уточнить критерии самой вакансии. Эта работа полезна независимо от дальнейшего внедрения ИИ.
Сравните решения с ИИ

Запустите скрининг на той же выборке и отметьте совпадения и расхождения. При небольшом объеме данных понятнее работать с абсолютными значениями. Формулировка «из 28 кандидатов система ошибочно отсеяла троих» информативнее процента, который может создавать ложное ощущение статистической точности.
Проверьте данные поставщика инструмента

Если собственной выборки мало, запросите информацию о валидации инструмента. Важно понять, на каких вакансиях и кандидатах его проверяли и насколько этот контекст похож на ваш.

Общество индустриальных и организационных психологов (SIOP) рекомендует связывать критерии оценки с требованиями конкретной работы и учитывать, насколько выборка соответствует реальному пулу кандидатов. Авторы также предупреждают, что небольшие выборки дают нестабильные оценки валидности. Поэтому локальный пилот среднего бизнеса разумно использовать для проверки собственного рабочего сценария, не превращая его результаты в универсальное доказательство точности алгоритма.

Проведите теневой запуск на реальных кандидатах

После исторической выборки ИИ стоит проверить на текущем потоке. На первых вакансиях он работает параллельно обычному процессу и не влияет на движение кандидатов.

Рекрутер сначала принимает собственное решение, затем открывает результат ИИ и сравнивает оценки. Такой порядок помогает уменьшить влияние подсказки алгоритма на контрольное решение человека.

Это особенно важно с учетом результатов упомянутого выше исследования даже участники с HR-опытом не всегда отвергали ошибочную рекомендацию системы. Если показывать оценку ИИ заранее, компания фактически проверит качество совместного решения человека и алгоритма, а не самого скрининга.

Бизнесу можно постепенно накапливать такие наблюдения на нескольких последовательных вакансиях. Если меняются критерии оценки, промпт или сама модель, результаты до и после изменения лучше разделять.

Смотрите на виды ошибок

Представим вакансию, где требованиям соответствует 10% потока. Система, которая отклонит всех кандидатов, формально совпадёт с итоговой разметкой в 90% случаев. Для подбора такой результат бесполезен, поскольку вся целевая группа будет потеряна.

Для пилота достаточно контролировать четыре группы показателей.

Затем нужно разобрать сами спорные резюме. Например, система может плохо распознавать эквивалентные навыки, слишком буквально воспринимать название должности или переоценивать совпадение терминов.

Если причина ошибок понятна, можно изменить критерии, сценарий или порог оценки и повторить проверку. Простое движение проходного балла без разбора расхождений способно уменьшить одну группу ошибок и одновременно увеличить другую.

Расширяйте автоматизацию постепенно

После теневого запуска ИИ можно использовать для ранжирования или подсветки кандидатов. Рекрутер получает дополнительный ориентир, но кандидат не двигается по воронке автоматически.

Следующий уровень подходит для случаев, где критерии достаточно однозначны, а характер ошибок уже изучен. Очевидные решения можно автоматизировать, сохраняя промежуточный диапазон для ручной проверки.

Особенно осторожно стоит подходить к автоматическому отсеву, поскольку такие ошибки легко остаются незамеченными. Чем выше стоимость пропущенного кандидата, тем больше оснований сохранять человеческую проверку.

После запуска важно смотреть и на следующий участок воронки. Если ручного скрининга стало меньше, но на интервью выросла доля кандидатов, которые явно не соответствуют требованиям, автоматизация лишь перенесла часть нагрузки на следующий этап.

Проверку стоит повторять после существенного изменения вакансии, критериев оценки или используемой модели. Небольшая регулярная выборка для ручной перепроверки позволяет заметить изменение качества раньше, чем оно накопится в воронке.

Как ИИ-скрининг можно встроить в e-staff

В e-staff первичный скрининг можно подключать через партнерские сервисы, а его результат возвращать в общий процесс работы с кандидатом.

С Xenia AI рекрутер может запускать голосовой прескрининг кандидата. Ассистент проводит интервью по требованиям вакансии и формирует оценку, после чего результат возвращается в e-staff и может использоваться при дальнейшей работе с кандидатом.
Borisbot позволяет автоматизировать первичную обработку откликов, анализировать резюме, задавать квалификационные вопросы и оценивать кандидатов по заданным критериям. Результат можно связать со статусами и последующими действиями в воронке e-staff.

На этапе пилота разумно сначала использовать результаты ИИ как дополнительную оценку. Автоматические переходы и отказы можно подключить позже, когда команда уже понимает качество скрининга на собственном потоке.

Краткий чек-лист перед масштабированием

Команда одинаково понимает критерии оценки кандидата
Понятно, какой тип ошибки наиболее критичен для вакансии
ИИ проверен на исторических и текущих кандидатах с похожих вакансий
Контрольные решения принимались до просмотра оценки ИИ
Причины основных расхождений разобраны
Спорные случаи остаются на ручной проверке
После запуска команда контролирует результаты следующих этапов воронки

Если по нескольким из этих пунктов данных пока недостаточно, ИИ можно оставить в роли дополнительного инструмента скрининга. Расширять автоматические решения стоит тогда, когда команда понимает характер ошибок системы и их последствия для конкретного процесса найма.

14 сентября 2026