Начну с разрыва, ради которого стоит дочитать. Больше половины специалистов по подбору говорят, что готовы отдать часть работы нейросети. А реально используют её при найме пять процентов компаний.
Ещё сорок два процента ведут подбор полностью руками — ровно так же, как десять лет назад.
Цифры взяты из исследования Sk Финтех Хаб, подразделения фонда «Сколково», которое разбирало практику компаний за 2024–2025 годы. Размер выборки в публикации не указан, поэтому относиться к процентам стоит как к оценке порядка, а не к точному замеру.
Но и порядок говорит достаточно: хотеть и делать — разные вещи, и разрыв здесь десятикратный. Давайте разберём, из чего он складывается.
Мешают не технологии, а неумение
Первая причина лежит в том же исследовании. Готовы делегировать 54%, а умеют работать с инструментом меньше 30%. Между «я не против» и «я знаю, что нажать» пролегает пропасть, в которую и проваливается большинство проектов.
Вторая причина тоньше и важнее. Две трети специалистов не могут оценить, что им дало внедрение: считать окупаемость умеют около тридцати процентов. Это значит, что даже удачный проект нечем защитить перед руководством. Рекрутер чувствует, что работать стало легче, а на вопрос «сколько мы на этом сэкономили» ответить не может — и в следующем году бюджет уходит туда, где цифры называют.
Отсюда практический вывод, который стоит всей статьи: до запуска запишите три числа — сколько дней сейчас закрывается вакансия, сколько резюме просматривает рекрутер за неделю и во сколько обходится закрытие одной позиции. Через квартал сравните. Без этих трёх чисел любой разговор про ИИ в подборе останется разговором про ощущения.
Что даёт ИИ в HR тем, кто его внедрил
У компаний, которые всё-таки дошли до работы, картина совсем другая. Сокращение времени на составление короткого списка кандидатов отметили 73%. Рост релевантности — то есть кандидаты стали точнее подходить под вакансию — 32%. Снижение стоимости закрытия вакансии — 30%.
Разница между первым числом и двумя остальными говорит о технологии больше, чем любое описание её возможностей. Экономия времени достаётся почти всем. Улучшение качества подбора — только трети.
Это честная картина того, что нейросеть умеет сегодня. Она отлично разгребает поток: сортирует сотни резюме, вытаскивает нужные навыки, отсекает явно неподходящих, пишет первичные ответы кандидатам. И заметно хуже отвечает на вопрос, впишется ли человек в команду и вытянет ли он рост через полгода.
Поэтому первым делом ИИ в подборе отдают не выбор кандидата, а разбор входящего потока. Разгрузили верх воронки — и рекрутер наконец занялся людьми, а не сортировкой файлов.
Почему цифры в разных статьях расходятся втрое
Если поискать эту тему, вы встретите взаимоисключающие числа: где-то 5% компаний, где-то 67%, где-то «76% уже внедряют». Разберёмся, откуда берётся такой разброс, потому что это полезный навык.
Разница почти всегда в том, какой вопрос задавали. Одно дело — «использует ли ваша компания ИИ-систему в процессе найма». Другое — «пользовались ли вы нейросетью для рабочих задач». Третье — «планируете ли внедрять». Рекрутер, попросивший чат переписать текст вакансии, честно отвечает «да» на второй вопрос, хотя никакого ИИ в найме у его компании нет.
Я привёл цифры того исследования, где названы методика и период. Гарантией точности это не является, но хотя бы понятно, что именно мерили.
Практический смысл такой: когда вам показывают слайд «уже 70% рынка использует ИИ в HR», спросите, что конкретно считали. Обычно после этого вопроса слайд заканчивается.
С чего начинать рекрутеру и когда нужна разработка
Порядок я советую такой.
Первым делом — текстовая рутина. Описания вакансий, письма кандидатам, приглашения, отказы. Проверка занимает секунды, риск нулевой, экономия видна сразу. Начинать с этого скучно, зато работает.
Второй шаг — разбор потока резюме. Здесь уже есть готовые российские платформы: «Поток», AISHA, Qooqa, «Наймус», «Джун», Naimee AI. Для типового массового подбора их обычно достаточно, и обойдётся это дешевле собственной разработки: подписка стоит тысячи рублей в месяц, а своя система — от 300 тысяч за первую версию плюс сопровождение. Разница в деньгах существенная, поэтому вопрос собственной разработки имеет смысл поднимать только после того, как готовые платформы упрутся в потолок. Где именно это происходит — следующий пункт.
Третий шаг — то, где готовые платформы заканчиваются. Они умеют работать с резюме вообще, но не знают вашу компанию: какие люди у вас приживаются, кто уходит через три месяца, какие формулировки в вакансии дают отклик именно у ваших кандидатов.
Если архив за годы накоплен — отклики, интервью, сроки работы, — на нём строят систему, которая ищет по вашей истории найма, а не по общим правилам. Разница выходит в трёх вещах: она учитывается на ваших удачных и неудачных наймах, а не на абстрактной выборке; подключается к вашей системе учёта кандидатов и не требует переносить данные в чужой личный кабинет; резюме остаются внутри компании, что для персональных данных не мелочь, а требование закона.
Берутся за такое, когда поток найма измеряется сотнями человек в год. При десяти вакансиях в год готовой платформы хватит с запасом — своя разработка там не окупится никогда.
И отдельно про то, о чём в HR думают в последнюю очередь. Резюме — это персональные данные, и загрузка их в публичный чат не лайфхак, а нарушение. Если такое происходит регулярно, систему разворачивают на своём сервере, а не в чужом облаке.
Что помешает сильнее любых технологий
Одну вещь стоит держать в голове, начиная такой проект.
HR — та функция, где сопротивление сотрудников проявляется резче всего, потому что подбор всегда был человеческим делом. Рекрутер, которому приносят систему оценки кандидатов, часто читает это как «мою экспертизу сочли ненужной». Почему люди тихо саботируют подобные внедрения и что с этим делать, я разбирал в отдельной статье.
Пять процентов против пятидесяти четырёх — это разрыв не в доступности инструментов. Инструменты есть, они российские и стоят разумных денег.
Разрыв в том, что мало кто дошёл от «интересно» до «мы посчитали, что это нам дало».