Искусственный интеллект пришёл в подбор как инструмент против дефицита рекрутеров: разобрать поток откликов, отсеять нерелевантных, сократить время найма. Но соискатели относятся к этому настороженно. По данным SuperJob, 57% россиян отрицательно воспринимают автоматический скрининг резюме, а каждый второй считает, что использование ИИ при подборе нужно запретить на законодательном уровне. Для HR-руководителя вопрос уже не «внедрять или нет», а где провести границу: что доверить нейросети, а что оставить за человеком.
В статье — карта пользы и вреда с российскими цифрами и кейсами.
Самый очевидный выигрыш — на верхнем этапе воронки, где нанимающий менеджер вручную сортирует тысячи откликов. Здесь машина забирает рутину, освобождая время для того, что ей недоступно.
Первичный отбор — самая трудоёмкая и механическая часть найма. По исследованию Sk Финтех Хаба фонда «Сколково», 73% респондентов отмечают сокращение времени на формирование шорт-листа как основной эффект от ИИ. Рост релевантности кандидатов фиксируют 32%, снижение стоимости закрытия вакансий — 30%. Ключевой результат здесь — скорость, а не качество подбора.
На практике нейросеть анализирует резюме, сопоставляет навыки и опыт соискателя с требованиями вакансии и ранжирует отклики по формальному соответствию. Чем шире выборка обработанных резюме, тем точнее ранжирование. Рекрутер получает не хаотичный поток из сотен анкет, а отсортированный список, с верхушки которого можно начинать работу. Дальше подключаются чат-боты: они отвечают на типовые вопросы, собирают недостающую информацию и назначают первый контакт без участия HR-специалиста.
Выгода не в качестве отбора, а в сэкономленных часах. Те же данные по шорт-листу это подтверждают: респонденты чаще говорят о скорости, а рост релевантности отмечают вдвое реже. ИИ не делает выбор умнее — он делает его быстрее. Для специалиста по подбору это означает, что рутина перестаёт съедать рабочий день. И высвобождается время на собеседования, переговоры по офферу и сложные вакансии.
Второй пласт пользы — аналитика самой воронки. Система показывает, на каком этапе застревают кандидаты, какие источники дают релевантный поток, а какие — балласт, сколько дней проходит от отклика до оффера. HR-специалист видит не субъективное ощущение «что-то долго закрываем», а конкретную точку сбоя.
Подбор оказался той задачей, где ИИ закрепился прочнее всего. По опросу hh.ru, 37% компаний уже используют ИИ в подборе персонала — это направление опережает другие HR-задачи по частоте применения нейросетей.
За этим показателем стоит зрелый рынок инструментов. В I полугодии 2025 года рынок HRtech вырос на 12%, до 40,6 млрд рублей, а выручка сегмента подбора персонала достигла 26,5 млрд рублей. Инструментов для автоматизации найма на рынке достаточно, и они продолжают дорожать вместе со спросом.
Эффект ИИ не ограничивается офисными и IT-вакансиями. Так, группа «Черкизово» внедрила систему автоматизации подбора на 25 юридических лиц — от приёма заявок и публикации вакансий до перемещения соискателей по этапам и оформления. За полгода вакансии стали закрываться на 36% быстрее, расходы на найм снизились на 9%, количество кандидатов и коммуникаций с ними стало на 82% больше без увеличения затрат. Дополнительно компания закрыла на 17% больше вакансий по «синим воротничкам».
В массовом подборе это означает, что один специалист пропускает через себя кратно больший поток откликов и не теряет в скорости. Линейный персонал — это десятки и сотни однотипных вакансий, где ручная сортировка анкет съедает весь рабочий день. На таком объёме автоматизация даёт максимальную отдачу: чем однороднее вакансии и больше поток откликов, тем выше выигрыш во времени. Машина забирает этот объём, оставляя рекрутеру финальное собеседование.
Обратная сторона быстрого отбора: нейросеть учится на прошлых решениях компании, а не на потенциале соискателя. Тот же инструмент, который ускоряет рутину, способен системно отсекать часть кандидатов ещё до того, как их увидит нанимающий менеджер.
Искусственный интеллект обучается на исторических данных найма. Если раньше на позицию брали по узкому шаблону, алгоритм закрепит этот образец и отсеет тех, кто в него не вписывается: кандидата с нелинейной карьерой, длительным перерывом в стаже, нестандартным набором навыков. Предвзятость данных при автоматизации не исчезает — она воспроизводится быстрее и в большем масштабе. Там, где рекрутер мог бы остановиться и присмотреться к необычному резюме, алгоритм просто понижает его в выдаче. В итоге живой соискатель до этой анкеты не доходит.
Проблема обостряется на нижней границе фильтра. Формальные критерии — возраст, длительность стажа, название вуза — система считывает буквально, без контекста. Соискатель, сменивший сферу или вернувшийся к работе после паузы, в глазах ИИ выглядит хуже того, кто двигался по прямой. А именно нестандартные профили часто закрывают сложные вакансии, на которые «идеальных по шаблону» не хватает.
Коварство такого отсева в его невидимости. Когда кандидата бракует рекрутер вручную, он осознаёт своё решение и может его пересмотреть. Когда нейросеть двигает кандидата вниз списка, его как будто не существует — он не попадает в поле зрения вообще. Компания не видит, кого потеряла на входе, потому что эти люди не доходят до собеседования. Дефицит кадров при этом никуда не исчезает: вакансия остаётся открытой рядом с отсеянными подходящими соискателями.
Опаснее другое — что происходит с самим специалистом. Алгоритм меняет не только отбор, но и привычку рекрутера перепроверять решения.
«Если ИИ рекомендует определённого кандидата, рекрутер склонен соглашаться, даже если у него есть сомнения».
Ирина Просвирякова, директор Центра «Фактор Лидера».
Так складывается замкнутый круг. Модель воспроизводит исторический уклон, специалист этому уклону доверяет и подтверждает его своим выбором, а следующая версия системы обучается уже на подтверждённых решениях. Предвзятость не просто переносится в нейросеть — она закрепляется и в сотруднике, который работает рядом с ней.
Картину усугубляет разрыв между желанием делегировать и умением контролировать. По данным «Сколково», 54% HR-специалистов готовы делегировать ИИ задачи подбора персонала, но менее 30% умеют с ним работать. Делегировать нейросети отбор, не понимая логики её решений, — значит не заметить момент, когда она начала отсекать живых кандидатов. Чтобы уловить предвзятость алгоритма, нужно знать, по каким признакам он ранжирует, а большинство рекрутеров этого не понимает.
Сопротивление соискателей — не каприз, а прямой репутационный риск для бренда работодателя. Отношение к ИИ на входе в компанию становится частью восприятия самой компании.
Тот факт, что 57% соискателей отрицательно относятся к автоскринингу, а 50% призывают запретить ИИ, говорит о главном: значительная часть рынка труда против того, чтобы алгоритм единолично определял судьбу кандидатов. Для компании в борьбе за кадры отказ соискателя дойти до собеседования из-за «робота на входе» — это потерянный сотрудник, которого она даже не увидела. В условиях дефицита такой сценарий оборачивается прямым убытком: ИИ экономит рабочие часы HR, но сужает воронку на входе из-за самоотсева кандидатов.
При этом отношение соискателей не сводится к глухому отказу от ИИ. По опросу «Юнион» и «Зарплата.ру», 75% кандидатов готовы пройти собеседование с ИИ, около половины поддерживают его при условии, что окончательное решение останется за специалистом, и лишь 15% не видят проблем в полной автоматизации. Граница доверия проходит ровно там, где нейросеть перестаёт быть инструментом и начинает выносить вердикт. Поддержка держится на сохранении последнего слова за человеком, а не на самом алгоритме. Сильной стороной ИИ соискатели в том же опросе называют объективность: 87% считают, что алгоритмы могут быть непредвзятыми при правильной настройке и человеческом контроле. Кандидаты не против самого ИИ — они против ИИ без человека.
Тревога соискателей подкреплена состоянием рынка: технология сырая, и системно её применяют единицы.
«Сейчас не более трети компаний используют ИИ системно, а глубоко и осознанно внедряют технологии менее четверти».
Анна Субботина, руководитель практики ТНП ANCOR.
Это подтверждают и данные проникновения: лишь 4% компаний применяют ИИ в кадровых процессах повсеместно, ещё 27% подключают инструменты эпизодически, без стратегии. Большинство пока экспериментирует, а не выстраивает процесс. Кандидаты сталкиваются с недоработанными решениями, что не добавляет доверия.
Из пользы и рисков складывается рабочая схема: машина фильтрует, человек решает. ИИ берёт на себя объём и рутину там, где цена ошибки невелика и её легко исправить. Финальное решение и контакт с соискателем остаются за рекрутером, потому что цена ошибки на найме слишком высока, чтобы доверить её нейросети целиком.
Это и есть рабочий способ применять ИИ, а не половинчатый компромисс. Спор «ИИ против рекрутера» в подборе ложный: ни один из полюсов не работает сам по себе. Полная автоматизация воспроизводит предвзятость и отпугивает соискателей. Полный отказ от ИИ оставляет специалиста один на один с потоком откликов, который руками не разобрать. Рабочий ответ лежит в распределении задач. И проводить эту границу приходится осознанно — под конкретную компанию и тип вакансий.
Граница между двумя зонами проходит не по сложности задачи, а по обратимости ошибки. Там, где ошибку системы легко поймать и поправить, алгоритм можно подпускать. Там, где ошибка стоит компании сотрудника или репутации, решение остаётся за человеком.
Что разумно отдать ИИ:
Что остаётся за человеком:
Распределение «машина фильтрует — человек решает» меняет содержание работы специалиста по подбору, а не её объём. Вместо ручной сортировки анкет он разбирает спорные случаи, общается с кандидатами и сверяет рекомендации ИИ с реальностью. Нанимающий менеджер получает не длинный список «подходящих по формальным признакам», а короткую отобранную выборку для быстрого решения.
Выигрыш в сроках при такой границе ощутимый. По оценке вендора, ИИ снимает с рекрутера механическую долю работы и переключает его на содержательную.
«В среднем мы оцениваем, что время найма в крупной компании сокращается минимум на 40% при внедрении ИИ. Это позволяет HR-специалистам сосредоточиться на более стратегических задачах».
Сергей Ахметов, генеральный директор HRTech-компании «Поток».
Граница работает только при условии, что человек способен проверять нейросеть, а не просто визировать её решения. Здесь и упирается разрыв из раздела о рисках: делегировать ИИ подбор готовы вдвое больше специалистов, чем умеют с ним работать. Без понимания логики алгоритма человеческий контроль превращается в формальность — рекрутер подтверждает выбор системы, не зная, по каким признакам та ранжировала.
Удержать ИИ в рамках помогают две вещи:
Без этих двух механизмов внедрение сводится к точечному эксперименту — тому самому «время от времени, без стратегии», в котором сейчас находится большинство компаний.
Ключевое условие границы — прозрачность для соискателя. Кандидат, который знает, что нейросеть фильтрует анкеты, а решение принимает человек, относится к процессу спокойнее, чем тот, кто видит закрытого «робота на входе». Понятная логика отбора снимает основную причину недоверия — ощущение, что вердикт выносит машина без апелляции. Так одна и та же граница защищает компанию сразу с двух сторон: от предвзятости ИИ и от потери доверия кандидатов.
ИИ окупается там, где помогает специалисту решать быстрее: на скрининге, ранжировании, аналитике воронки он экономит часы и снимает рутину. Он вредит там, где решает вместо человека: воспроизводит исторический уклон, отсекает живых кандидатов по шаблону и теряет доверие тех, кого компания хочет нанять.
Правильный вопрос при внедрении звучит не «насколько мы автоматизировали подбор». Он звучит так: где именно решение остаётся за человеком и как мы это проверяем. Компания, которая держит границу осознанно, получает скорость, не теряя управления процессом. Та, что отдаёт найм нейросети целиком, рискует не заметить, как ИИ тихо сужает воронку и портит репутацию у соискателей. Ценность ИИ в подборе — не в степени автоматизации, а в осознанно проведённой границе между тем, что можно отдать машине, и тем, что нельзя.
На верхнем этапе воронки — первичный скрининг и ранжирование откликов. По исследованию Sk Финтех Хаба фонда «Сколково», 73% респондентов отмечают сокращение времени на формирование шорт-листа как основной эффект от ИИ. Выигрыш здесь в скорости и сэкономленных часах, а не в качестве отбора: ИИ не делает выбор умнее, он делает его быстрее.
По данным SuperJob, 57% россиян отрицательно относятся к автоматическому скринингу резюме, а каждый второй считает, что ИИ при подборе нужно запретить на законодательном уровне. Сопротивление вызывает не сам ИИ, а ситуация, когда алгоритм единолично выносит вердикт без участия человека: 75% кандидатов готовы пройти собеседование с ИИ, если финальное решение остаётся за специалистом.
ИИ обучается на исторических данных найма и закрепляет прошлый шаблон: отсеивает кандидатов с нелинейной карьерой, перерывом в стаже или нестандартным набором навыков. Отсев невидим — такой соискатель просто опускается вниз списка и не доходит до собеседования, а компания не видит, кого потеряла на входе. Дефицит кадров при этом не исчезает: вакансия остаётся открытой рядом с отсеянными подходящими кандидатами.
Граница проходит по обратимости ошибки. ИИ разумно отдать первичный скрининг и ранжирование откликов, чат-боты для типовых вопросов и аналитику воронки найма. За человеком остаётся финальное решение по кандидату (особенно по нестандартному профилю), оценка мотивации и совместимости с командой, а также проверка самой нейросети на предвзятость.
Группа «Черкизово» внедрила систему автоматизации подбора на 25 юридических лиц — от приёма заявок и публикации вакансий до перемещения соискателей по этапам и оформления. За полгода вакансии стали закрываться на 36% быстрее, расходы на найм снизились на 9%, а число кандидатов и коммуникаций выросло на 82% без увеличения затрат. Дополнительно компания закрыла на 17% больше вакансий по «синим воротничкам».
Нужны два механизма. Первый — обучение: HR-команда и нанимающие менеджеры должны понимать, на каких данных училась нейросеть и какие признаки она считывает буквально. Второй — метрики: компания регулярно отслеживает, кто системно не проходит фильтр, и перенастраивает его при перекосе по возрасту, перерыву в стаже или нестандартной карьере. Без этих механизмов внедрение сводится к точечному эксперименту.
