ИИ в HR: машина разбирает отклики за минуты, а решение о кандидате остаётся за людьми

Полезный результат для HR начинается с выжимки из резюме. Машина сопоставляет её с требованиями вакансии и показывает, что ещё нужно спросить.

Готовый пример есть у hh.ru: сортировка объясняет выбор папки, но сама не отправляет отказ. Уточняющие вопросы кандидатам работают отдельным навыком.

Наш вариант для своей сборки добавляет черновик письма. HR проверяет его и подтверждает отправку; право приглашать или отказывать остаётся у человека.

Требования к разбору задаёт руководитель найма. Обязательный опыт отделяется от желательного, иначе машина превращает предпочтение в повод отложить человека.

Для черновика письма нужен согласованный следующий шаг. Помощнику можно поручить вопрос об опыте; обещать условия работы от имени компании ему не поручают.

На выходе HR должен получить карточку, которую можно проверить рядом с резюме. Список фамилий по убыванию балла для приёмки не подходит.

Балл без объяснения не даёт этого результата. В пилоте HR должен открыть исходный фрагмент и понять, на чём держится рекомендация.

Пробел в резюме требует вопроса. В примере hh.ru кандидат в PR-менеджеры вёл проекты, но опыт в недвижимости не описал: помощник предлагает уточнить отрасль.

Если система записала «нет опыта», хотя в резюме нет сведений, HR получает выдуманный факт. В своей сборке сохраняйте эти состояния раздельно.

У нас похожая механика работает с публикациями. На /open 24 597 найденных материалов за всю историю воронки на 7 октября; у каждого отказа записана причина.

Число публикаций показывает устройство нашей машины, а не качество отбора людей. Для HR предлагаем ту же проверяемость причин.

Сама очередь тоже ошибается. Наши поломки показывают, зачем пилоту проверки потерянных файлов, повторной обработки и смешанных записей.

Для HR из этих историй следует отдельное условие приёмки: повреждённое резюме видно как ошибку, отложенный отклик остаётся в очереди, чужой опыт не попадает в карточку.

Покупать разработку только ради сортировки рано. Если отклики и работа рекрутера уже на hh.ru, сначала проверьте встроенного помощника на своей вакансии.

С 1 октября условия hh.ru зависят от тарифа и даты публикации. Помощник входит в «Стандарт+», «Оптимум» и «Премиум» по новым условиям; на «Стандарте» это платная услуга.

Своя система нужна, когда результат должен попасть в вашу рабочую базу, пройти ваше согласование и учитывать критерии, которых готовому сценарию не хватает.

На /services тариф «Один проект» стоит 250 000 ₽ в месяц, один поток работы, на 7 октября 2026. Это подписка на разработку; HR-сценарий и границы проекта согласуются отдельно.

Предмет заказа сформулируйте через результат: разбор откликов и черновики писем в вашей системе, данные в согласованном контуре. Онбординг и HR-заявки относятся к автоматизации HR.

Первый месяц /services называет пилотом. Чтобы оценить очередь задач перед разговором о сборке, есть тест для руководителя; он про готовность к агентной разработке.

HR-помощнику нужны сведения кандидата для разбора. Агенту, который пишет его код, можно дать выдуманные резюме; разницу разбираем в статье о персональных данных и ИИ-агентах.

До загрузки реальных откликов согласуйте, где хранится исходный файл, кто его читает и что получает модель. Слова «в вашем контуре» должны описывать эти границы.

Удалить имя из резюме недостаточно для заявления об обезличивании. В пилоте разработки заменяйте весь набор выдуманным, включая работодателей, даты и контакты.

Локальная база сама по себе не отвечает на вопрос, куда уходит запрос к модели. Закрытый контур обсуждайте как устройство всей обработки.

Быстрый разбор ещё не доказывает пользу. Если HR заново читает резюме и исправляет выжимку, время проверки тоже входит в стоимость процесса.

Начните с вакансии, по которой HR может независимо разобрать ту же выборку. Машина готовит рекомендации без автоматических отказов; расхождения разбирает руководитель найма.

Положите в выборку резюме с неполным описанием опыта, нестандартным названием должности и повреждённый файл. Такие примеры проверяют разные причины ошибки.

Приёмку запишите как задачу для ИИ-агента: что на входе, что HR увидит на выходе и по каким случаям отклонит результат.

Если HR каждый раз поправляет одну и ту же ошибку, внедрение осталось ручной работой. Сохраняйте причину исправления вместе с версией критериев.

Например, название должности не совпало с вакансией, а нужный опыт в резюме был. HR исправляет вывод, инженер уточняет правило, система повторяет проверку на этой группе.

Менять правило по любому клику HR тоже нельзя. Сначала установите, что ошиблось: извлечение текста, требование вакансии или сама рекомендация.

Автоматический разбор помогает подготовить решение, а ответственность за него остаётся в компании. Кто отвечает за ошибки ИИ, уже разобрано в соседней статье.

HR получает время на разговор с кандидатом только после того, как проверка перестала повторять чтение с нуля. Это и есть результат, за который имеет смысл покупать разработку.

1. Отдайте машине чтение и черновики; решение о кандидате подтверждает HR.
2. Требуйте основание в резюме. Отсутствие сведений сохраняйте отдельно от несоответствия.
3. Сначала проверьте готовый сервис. Свою сборку покупайте под интеграции и правила своего процесса.
4. Принимайте пилот по пропускам, выдуманным фактам и времени человека вместе с проверкой.
5. Записывайте исправления HR и проверяйте изменённые критерии повторным прогоном.