Российский HR уже несколько лет быстро переходит на цифровые инструменты. По данным hh.ru, в 2024 году опыт работы с автоматизацией и аналитикой требовался уже в каждой третьей вакансии для рекрутеров.
В 2025 году к этому добавился резкий интерес к ИИ. Он разбирает резюме, анализирует навыки, сравнивает кандидатов с вакансией, готовит короткие сводки для нанимающих менеджеров и помогает быстрее проходить первичный отбор.
Звучит хорошо, но есть момент: сам по себе ИИ не делает найм умнее, а хорошая система не превращает слабого рекрутера в сильного.
Если HR плохо задает критерии, слепо верит проценту соответствия, не проверяет AI-summary и использует ИИ в режиме «реши за меня», компания получает не автоматизацию найма, а быстрый и слепой автоотсев.
В этой статье разберем, где HR-команды чаще всего ошибаются при работее с корпоративным ИИ, почему из-за этого даже сильное решение начинает работать против компании и как выстроить процесс так, чтобы ИИ усиливал рекрутера, а не подменял его профессиональное суждение.
Ситуация с ИИ в рекрутинге
По данным hh.ru, в 2026 году 57% российских компаний используют ИИ для подбора персонала, адаптации и обучения.
Пример эффективного ИИ — «ГигаРекрутер» от Сбербанка. За первые месяцы 2026 года он провел больше 130 тысяч первичных интервью. Время от отклика кандидата до завершения первичного интервью и оценки сократилось с 23 до 3 часов. Показательный кейс, где ИИ продемонстрировал свою пользу: большой поток кандидатов, повторяющиеся этапы, понятные критерии, дорогая ручная обработка. Нейросеть забирает рутину и ускоряет процесс, который раньше упирался в количество рекрутеров.
Профессиональные HR-платформы тоже двигаются в эту сторону. В 2025 году HeadHunter представил ИИ-ассистента на базе большой языковой модели. К 2026 году по данным компании, он сокращает время рекрутеров на типовых задачах до 60%. ИИ помогает создавать вакансии, отправлять приглашения, разбирать отклики и вести первичное общение с кандидатами.
В большинстве компаний сценарии следующие: разобрать резюме, выделить навыки, сравнить кандидата с вакансией, подготовить summary для нанимающего менеджера, составить вопросы для интервью, написать черновик письма с обратной связью.
И вот здесь начинается проблема, потому что инструменты внедряются быстрее, чем растет ИИ-грамотность HR-команд.
Работодатели уже считают умение работать с ИИ профессиональным навыком. Но, по данным «Коммерсанта», среди HR-специалистов только 7% называют его ключевым, а 11% — значимым преимуществом.
Получается разрыв. С одной стороны, ИИ все активнее помогает ускорять подбор и обрабатывать большие потоки кандидатов. С другой — сам инструмент не гарантирует качественный найм, если рекрутер не понимает, как система пришла к выводу, почему она поставила низкий скоринг и где могла ошибиться. В итоге корпоративное ИИ-решение ухудшает подбор персонала.
Где HR чаще всего ошибается при работе с ИИ
Распространенная ошибка — воспринимать HR-систему с ИИ как готовое решение задачи. Загрузили вакансии, подключили резюме, нажали кнопку — система сама найдет лучших кандидатов. На практике так не работает.
ИИ не заменяет человеческую экспертность. Это инструмент, который помогает рекрутеру быстрее увидеть совпадения, спорные места и вопросы к кандидату. Но качество результата все равно зависит от человека: как он задал критерии, как проверил выводы и как принял решение.
Разберем самые частые ошибки, которые снижают эффективность найма с ИИ:
Вера в процент соответствия без учета деталей
Система показывает: один кандидат подходит на 82%, другой — на 56%. Возникает соблазн быстро отсечь второго и работать с первым. Проблема в том, что процент соответствия — это не доказательство, что человек справится с работой. Это результат совпадения резюме с заданными правилами. А правила задают люди.
Если рекрутер смешал обязательные и желательные требования, не учел смежный опыт или слишком узко описал роль, система будет ошибаться.
Например, кандидат может не указать в резюме конкретный IT-инструмент, но иметь очень близкий опыт. Или назвать роль, технологию, отрасль другими словами. Для человека это может быть очевидная релевантность. Для системы — низкое совпадение.
Если HR не проверяет такие случаи вручную, подходящий кандидат получает отказ просто потому, что его резюме не совпало с шаблоном.
Автоматизация поиска «похожих кандидатов»
Еще один рискованный сценарий — искать людей, похожих на тех, кто уже успешно работает в компании. На первый взгляд логика нормальная: если такие сотрудники справились, значит, нужно искать таких же.
Но исторические данные почти никогда не бывают нейтральными. В них уже имеются старые привычки компании: кого чаще нанимали, кого чаще отклоняли, какие университеты считали сильными, какие компании — «правильными», какие карьерные треки выглядели убедительно.
Если раньше в роли чаще работали люди одного пола, возраста, города, образования или карьерного пути, система может принять этот профиль за норму. И начнет воспроизводить его в рекомендациях. Причем влиять могут даже косвенные признаки: перерыв в карьере, формулировки в резюме, типы предыдущих компаний, названия должностей.
Кейс Amazon — сильный пример такой ошибки. Компания разрабатывала ИИ-инструмент для оценки резюме, но отказалась от проекта после того, как система начала занижать кандидатов с признаками женского опыта в резюме. Модель обучалась на исторических данных, где в технических ролях преобладали мужчины, и перенесла этот перекос в рекомендации.
Есть и другой важный момент. Люди легко перенимают перекос модели, если видят ИИ-рекомендацию как авторитетную подсказку. Исследование University of Washington на 528 участниках показало: при работе с предвзятыми ИИ-рекомендациями люди в 90% случаев выбирали кандидатов, которых предпочитала biased-модель.
Непонимание объяснений системы
В ИИ есть понятие Explainable AI (XAI) — объяснимый ИИ. Это направление, цель которого — сделать логику работы нейросетей прозрачной и понятной для человека. Применительно к HR система показывает, почему она дала такую рекомендацию, какие критерии сработали, какие совпадения были найдены и почему кандидату поставлена такая оценка.
Для рекрутинга интерфейс подсвечивает навыки, показывает совпадения с вакансией, объясняет низкий или высокий скоринг. Но объяснение само по себе не всегда помогает.
Если у HR-команды низкая ИИ-грамотность, рекрутер может видеть объяснение, но не понимать его ограничений. Какие данные использовались? Чего система не знает? Где могла ошибиться? Почему низкий скоринг может быть следствием нестандартного резюме, а не слабого кандидата?
Объяснимость помогает только тогда, когда человек умеет читать ее критически. Не как «система объяснила, значит, все объективно», а как повод проверить вывод.
В 2025 году Берлинский институт техники и экономики провел исследование рекрутинговых ИИ-систем. 410 HR-менеджеров работали с интерфейсами рекомендательных систем. Выяснилось, что даже когда система показывает объяснения к ИИ-рекомендациям, пользователи не всегда начинают лучше понимать выводы модели.
Более того, сложные объяснения могут снижать точность понимания. Пользу дают только простые и понятные подсказки — и в первую очередь тем HR-специалистам, у которых уже есть высокий уровень ИИ-грамотности. Вывод: интерфейс с объяснениями не заменяет обучение HR.
Использование ИИ для оценки личности и «культурного соответствия»
Еще одна ошибка — расширять применение ИИ за пределы деловых критериев.
Например, просить систему оценить личность кандидата, мотивацию, лидерский потенциал, токсичность или «культурное соответствие» по резюме, интервью или цифровому следу.
Здесь объективность быстро разваливается. Навыки и опыт еще можно оценивать по относительно четким признакам — есть задачи, технологии, проекты, отрасли, результаты, сроки, роли в команде. А вот выводы о личности часто строятся на слабых косвенных признаках.
В итоге рекрутер получает не аналитику, а красиво оформленные догадки модели. Решение перестает опираться на деловые качества кандидата и уходит в область стереотипов. Для компании это опасная зона, особенно если такие выводы начинают влиять на отказ.
Последствия и риски
После внедрения ИИ на первый взгляд все может выглядеть отлично. Отклики разбираются быстрее, резюме сортируются автоматически, рекрутеры делают меньше ручной работы, нанимающие менеджеры получают короткие справки по кандидатам.
Но через несколько месяцев может оказаться, что процесс ускорился, а качество решений снизилось.
До интервью доходят не те кандидаты. Сильные люди отсеиваются на раннем этапе. Причины сломанной воронки размываются. А слабые показатели выглядят как результат объективного скоринга.
Разберем, к чему это приводит:
Компания начинает хуже видеть рынок кандидатов
При неправильном использовании ИИ компания искусственно сужает рынок соискателей. Система чаще выбирает тех, кто лучше похож на привычный профиль кандидата: понятный карьерный путь, знакомые компании, ожидаемый набор навыков, правильные формулировки в резюме.
Рекрутер быстрее получает «понятных» людей. Но в перспективе компания начинает хуже видеть кандидатов за пределами шаблона.
Так теряются сильные самоучки, специалисты из смежных отраслей, люди с нестандартной траекторией, кандидаты, которые не умеют красиво упаковать резюме, но могут хорошо выполнять работу.
Это хорошо проявляется в редких и сложных ролях. Там лучший кандидат не всегда выглядит как самый очевидный.
Отказы становятся быстрыми и необъяснимыми
Отказ становится необъяснимым, когда рекрутер видит только итоговый вывод ИИ, но не понимает, почему система к нему пришла.
Кандидат действительно не подходит? Или резюме написано другими словами? Вакансия настроена слишком узко? Модель не распознала релевантный опыт? В требования случайно попало то, что не является обязательным?
Если HR хотя бы точечно не проверяет причины низкого балла, отказ выглядит быстрым, но остается необоснованным. Так необъяснимость превращается в скорость. Компания быстрее обрабатывает отклики, но хуже понимает, кого именно отсеивает.
В итоге подходящие кандидаты вылетают из воронки из-за ошибки в критериях, резюме или интерпретации модели.
РБК в 2026 году писал о российском исследовании Sk Финтех Хаба фонда «Сколково» по трансформации HR-рынка с ИИ. Один из важных выводов: рынок находится на ранней стадии зрелости и сталкивается с дефицитом компетенций, инструментов анализа процессов и оценки эффективности.
Проще говоря, компании внедряют ИИ, но часто не могут объяснить, как именно и насколько эффективно он влияет на подбор.
Рекрутеры начинают хуже думать
Неприятное последствие — деградация профессионального суждения. Если рекрутер привыкает сначала смотреть на скоринг, потом на AI-summary и только потом на человека, он постепенно теряет навык самостоятельной оценки.
ИИ должен снимать рутину. Но при неправильном использовании он снимает ответственность.
HR перестает задавать базовые вопросы: почему система занизила кандидата, какие критерии сработали, нет ли здесь исключения, не потеряли ли мы сильного человека из-за слабого резюме.
Это не уникальная проблема рекрутинга. Исследование Microsoft Research и Carnegie Mellon показало: чем сильнее пользователь доверяет GenAI, тем меньше он склонен включать критическое мышление при работе с ним.
В рекрутинге это превращается в плохую привычку: принимать скоринг и AI-summary как готовый вывод, а не как черновик для проверки.
Кандидаты учатся обходить фильтр
ИИ используют не только рекрутеры. Кандидаты тоже переписывают резюме, сопроводительные письма и тестовые задания через нейросети.
Документы становятся более гладкими, релевантными и похожими друг на друга. Формально — лучше. По сути — не всегда честнее и точнее.
Если компания оценивает такие резюме через формальный ИИ-скоринг, она рискует выбирать не лучших кандидатов, а лучшие упаковки.
Получается игра: кандидат оптимизирует резюме под алгоритм, алгоритм оценивает совпадения, рекрутер доверяет проценту, а реальный опыт приходится заново выяснять уже на интервью.
Исследование AI Self-preferencing in Algorithmic Hiring показало: нейросети систематически отдают предпочтение текстам, которые сгенерировали они сами. Резюме от «своего» ИИ получают преимущество от 67% до 82% по сравнению с человеческими. В симуляции кандидаты с такими резюме попадали в шорт-лист на 23–60% чаще, чем равные по квалификации кандидаты с человеческими резюме.
Снижается доверие соискателей
Быстрый ИИ легко делает рекрутинг безличным — кандидат отправляет отклик и через минуту получает шаблонный отказ. Процесс начинает выглядеть как автоматический конвейер: одинаковые письма, общие формулировки, отсутствие понятной обратной связи, резкие переходы между этапами.
Для массового найма это иногда приемлемый компромисс. Там важны скорость, поток и предсказуемость. Но для профессиональных специалистов такая механика опасна. Сильный кандидат оценивает компанию так же, как компания оценивает его. Если процесс выглядит холодным, непонятным и автоматическим, он уйдет туда, где с ним разговаривают предметнее.
Дополнительный риск — негативные отзывы о процессе найма. Причем не только о рекрутинге, а о компании в целом. Для кандидата это одна и та же витрина.
Как избежать ошибок
Ошибки при работе с ИИ нельзя исправить только настройкой модели. Внедрение ИИ в рекрутинг должно сопровождаться правилами работы с ним. Рекрутеру нужно уметь задавать критерии, критически относиться к скорингу и проверять выводы системы.
Чтобы ИИ усиливал подбор, а не ломал его, нужно сделать следующее:
1. Дать HR управляемый инструмент, а не просто доступ к ИИ. Нужны роли, журнал действий, проверяемые критерии, интеграция с ATS и контроль обработки данных.
2. Разделить обязательные и желательные требования. Система должна понимать, что критично для роли, а что можно усилить уже после выхода на должность. Иначе ИИ будет отсекать кандидатов из-за второстепенных требований.
3. Учить HR-команду критически читать выводы ИИ. Рекрутерам нужны не только промпты, а понимание ограничений системы: где модель может ошибиться, почему скоринг бывает низким и когда нужен ручной просмотр.
4. Настроить настоящий human-in-the-loop. Нельзя слепо подтверждать рекомендацию ИИ. Человек должен проверять спорные выводы и иметь право не согласиться с системой.
5. Аудировать отказы и спорные решения. Нужно регулярно смотреть, кого отсеивает система. Если среди кандидатов с низким скорингом встречаются подходящие профили, проблема может быть в критериях, модели или работе HR.
6. Логировать решения. Компания должна видеть, кто принял рекомендацию ИИ, кто отменил ее, почему кандидат получил отказ и какие критерии сработали. Без этого невозможно понять, где ломается процесс.
7. Проверять и дорабатывать исторические данные. Если ИИ использует прошлые данные о найме, их нельзя считать нейтральными. Система может закрепить старые привычки компании и превратить их в автоматизированный фильтр.
Подробный разбор шагов
Дайте рекрутерам единый ИИ-инструмент
Для управляемого процесса нельзя полагаться на случайный набор ИИ-инструментов. Нужна профессиональная система, адаптированная под задачи компании.
Иначе HR-команда будет использовать ИИ как умеет. Один рекрутер начнет слепо доверять скорингу. Другой будет отправлять нанимающим менеджерам AI-summary без проверки. Третий настроит критерии по своему пониманию вакансии.
На уровне одного сотрудника это может выглядеть как инициатива. На уровне компании — это потеря контроля. В итоге решения принимаются по разным правилам. История действий не сохраняется. Качество отбора зависит от привычек конкретного рекрутера. Ошибки невозможно отследить.
Единый ИИ-инструмент для рекрутинга дает компании общие правила работы с кандидатами: одинаковую логику скоринга, понятные критерии, журнал действий, контроль доступа, интеграцию с ATS и возможность проверить, почему человек прошел дальше или получил отказ.
Разделите обязательные и желательные требования
Многие ошибки начинаются еще до запуска ИИ — в описании вакансии. Если загрузить в систему размытые критерии, она будет искать по размытым признакам. И уверенно выдавать результат, который выглядит аналитикой, но построен на слабом входе.
Перед запуском отбора нужно определить, что для роли действительно обязательно, а что можно усилить в первые месяцы работы. Отдельно стоит обозначить, какие навыки можно заменить смежным опытом, какие признаки не должны влиять на решение и какие кандидаты требуют ручной проверки.
Простой пример: знание конкретной CRM может быть желательным требованием, а опыт B2B-продаж — обязательным. Если смешать эти критерии, система может отсечь сильного продавца только потому, что он работал в другой CRM.
Настройте human-in-the-loop
Фраза «финальное решение принимает человек» сама по себе ничего не значит. Если человек просто нажимает кнопку после рекомендации ИИ, это не human-in-the-loop, а имитация контроля.
Правильный процесс устроен иначе — ИИ готовит черновик: summary, совпадения с вакансией, спорные места, вопросы для интервью. Рекрутер проверяет критичные выводы и принимает решение с учетом контекста роли, команды и бизнеса.
Важно, чтобы человек мог не согласиться с ИИ. И это не должно считаться сбоем процесса.
Если рекрутер отменил рекомендацию системы, он должен указать причину. Так компания собирает статистику: где ИИ помогает, где ошибается и что нужно улучшить в критериях или модели.
Учите HR не промптам, а критическому чтению ИИ
Обучение рекрутеров не должно сводиться к промпт-инжинирингу. Промптов в HR недостаточно. Главный навык — понимание ограничений системы.
HR должен знать, где ИИ помогает, а где ошибается. Как скоринг оценивает совпадения резюме с заданными критериями. Почему низкий балл не всегда означает слабого кандидата. Когда summary можно использовать, а когда его нужно проверять особенно внимательно.
Задача рекрутера — не просто получить вывод ИИ, а разобраться, можно ли этому выводу доверять.
Поэтому HR должен уметь проверять модель, видеть спорные случаи и понимать, когда нужен ручной подход. Также важно знать, какие признаки нельзя использовать при отборе и где подсказка ИИ превращается в неподтвержденную догадку.
ИИ поможет опытному HR работать быстрее и точнее. Слабый HR с ИИ будет продолжать ошибаться.
Аудируйте отказы и спорные решения
HR-отделу нужно регулярно смотреть, каких кандидатов отсеивает система. Полезно проверять выборку резюме с низким скорингом: действительно ли эти люди не подходят, или среди них есть релевантные профили.
Отдельное внимание — спорным группам: кандидатам с нестандартным опытом, карьерными перерывами, другими формулировками должностей, переходом из смежных отраслей.
Если среди отказов регулярно находятся подходящие кандидаты, проблема может быть не в рынке. Скорее всего, что-то не так с критериями, моделью или работой рекрутеров. И это нужно исправлять, а не списывать на «плохой поток кандидатов».
Логируйте решения
Компания должна видеть путь к итоговому решению — кто принял рекомендацию ИИ, кто ее отменил. Почему кандидат получил отказ — какие критерии сработали, какие выводы рекрутер проверил вручную.
Без логирования невозможно понять, где ломается процесс.
Ошибка может быть в модели, в настройке вакансии, в данных кандидата или в действиях HR. Если история решений не сохраняется, компании придется каждый раз разбирать проблемы вслепую, так невозможно улучшать систему.
Проверяйте исторические данные на предвзятость
ИИ нельзя настраивать только на прошлых данных о найме. История компании — не эталон. В ней есть старые привычки рекрутеров и руководителей: какие компании считались сильными, какие карьерные треки выглядели правильными, каких кандидатов чаще брали, а каких чаще отсекали.
Если просто загрузить эти данные в систему, ИИ может закрепить старые шаблоны и начать выдавать их как объективную рекомендацию. Поэтому с данными нужно работать в несколько этапов.
Сначала проверить историю найма: какие признаки действительно связаны с успешной работой, а какие просто повторяют старые предпочтения компании. Затем добавить свежие данные: новые вакансии, актуальные требования, результаты последних наймов, обратную связь от нанимающих менеджеров, данные по испытательному сроку и качеству работы после выхода.
Правильный процесс выглядит так: компания задает критерии вакансии, проверяет исторические данные, добавляет свежие результаты, тестирует модель на спорных кандидатах, анализирует отказы и регулярно корректирует правила отбора.
Тогда ИИ начинает работать на результат — не повторяет прошлые решения, а помогает точнее находить людей, которые подходят под текущие задачи бизнеса.
Заключение
Сама по себе ИИ-система не улучшит найм. Главный элемент процесса — HR-команда, которая умеет работать с ИИ. Поэтому внедрение ИИ в рекрутинг должно идти вместе с обучением рекрутеров, аудитом решений, настройкой критериев и нормальным human-in-the-loop процессом.
Эффект будет особенно заметен в массовом подборе. ИИ поможет обрабатывать большой поток кандидатов без пропорционального роста HR-команды. А в подборе редких специалистов он даст рекрутеру больше времени на качественную коммуникацию и проверку спорных кандидатов.
Для бизнеса это означает более короткий цикл найма, меньше ручной работы, ниже стоимость первичного отбора и меньше потерь из-за медленной реакции на сильных кандидатов. При одном условии: ИИ должен быть не заменой профессионального суждения, а рабочим инструментом в руках экспертов, которые понимают, что делают.
