[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"blog:{\"perPage\":4}":3,"expertises:{\"sort\":\"order\",\"perPage\":100,\"is_main\":1}":46,"blog-post-hr-ai-recruiter-risks":85},{"currentPage":4,"lastPage":5,"perPage":6,"from":4,"to":6,"total":7,"nextPageUrl":8,"previousPageUrl":9,"items":10},1,31,4,124,"https:\u002F\u002Fapi.internet-design.ru\u002Fapi\u002Fblog?perPage=4&page=2",null,[11,19,27,35],{"id":12,"order":4,"title":13,"slug":14,"publishedAt":15,"shortDescription":16,"previewImageUrl":17,"tags":18},250,"ИИ в рекрутинге: почему HR'ы остаются риском для системы","hr-ai-recruiter-risks","2026-06-11","\u003Cp>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\u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fblogs\u002F250\u002Fpreview\u002F6d0df821c17246e568682f625a2bf0bec711e543.jpg",[],{"id":20,"order":4,"title":21,"slug":22,"publishedAt":23,"shortDescription":24,"previewImageUrl":25,"tags":26},247,"Штрафы за авторизацию через Google и Apple ID: кому грозят и что делать","google-apple-auth-fines","2026-06-10","\u003Ch2> \u003C\u002Fh2>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fblogs\u002F247\u002Fpreview\u002Feb4d7ec37a740ed468a633cbdcd24c4cc27e2ad7.png",[],{"id":28,"order":4,"title":29,"slug":30,"publishedAt":31,"shortDescription":32,"previewImageUrl":33,"tags":34},249,"Как вернуть под контроль теневой ИИ в клинике","shadow-ai-medicine","2026-06-04","","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fblogs\u002F249\u002Fpreview\u002F2e43161fed61bca56c185e893c694c63987808b1.jpg",[],{"id":36,"order":4,"title":37,"slug":38,"publishedAt":39,"shortDescription":32,"previewImageUrl":40,"tags":41},244,"Избегаем дорогих архитектурных ошибок в разработке сложных веб-приложений","expensive-architectural-mistakes","2026-04-30","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fnews\u002F244\u002Fpreview\u002Ffda0d684985e23ed3c225c3a0a1446356fd52473.jpg",[42],{"id":43,"name":44,"slug":45},30,"Школа заказчика","customers",{"currentPage":4,"lastPage":4,"perPage":47,"from":4,"to":48,"total":48,"nextPageUrl":9,"previousPageUrl":9,"items":49},20,5,[50,57,64,71,78],{"id":51,"title":52,"shortDescription":53,"imageUrl":54,"url":55,"slug":56},43,"Заказная разработка","\u003Cdiv class=\"service-content\">\r\n\u003Cul>\r\n\u003Cli style=\"font-size: 12pt;\">\u003Cspan style=\"font-size: 12pt;\">• Разработка веб-приложений\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli style=\"font-size: 12pt;\">\u003Cspan style=\"font-size: 12pt;\">• Разработка мобильных приложений\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli style=\"font-size: 12pt;\">\u003Cspan style=\"font-size: 12pt;\">• Разработка продуктов и стартапов (MVP)\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003C\u002Fdiv>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F43\u002Fmain\u002F9b536e910e22b0c053432f4058d5594ca6f79874.jpg","\u002Fservices\u002Fcustom-development\u002F","custom-development",{"id":58,"title":59,"shortDescription":60,"imageUrl":61,"url":62,"slug":63},52,"ИИ-разработка","\u003Cp dir=\"ltr\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">Внедрение ИИ в работу компаний и предприятий\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Автоматизация рутинных процессов\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• LLM и RAG-системы (корпоративный GPT, чат-боты)\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• ML (обучаемые модели)\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Компьютерное зрение\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Генеративные интерфейсы\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F52\u002Fmain\u002Fb245231d8506ae3ea4c77015c36c3b25499952f1.png","\u002Fservices\u002Fai\u002F","ai",{"id":65,"title":66,"shortDescription":67,"imageUrl":68,"url":69,"slug":70},41,"Интеграция и автоматизация","\u003Cdiv class=\"service-content\">\r\n\u003Cp>\u003Cspan style=\"font-size: 12pt;\">Кастомная разработка\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Автоматизированных систем управления\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Личных кабинетов\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Учетных систем\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• CRM\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• ERP\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003Cp>\u003Cspan style=\"font-size: 12pt;\">Внедрение PIM-систем\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli>\u003Cspan style=\"font-size: 12pt;\">• На базе PIMcore\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp dir=\"ltr\" role=\"presentation\"> \u003C\u002Fp>\r\n\u003Cp dir=\"ltr\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">Автоматизация бизнеса\u003C\u002Fspan>\u003C\u002Fp>\r\n\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• На базе заказной разработки\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Заказная разработка + точечное внедрение ИИ\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>\r\n\u003C\u002Fdiv>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F41\u002Fmain\u002F7f0f8a036ec2c365f2099d796f774c2a0053a63d.png","\u002Fservices\u002Fintegration-automation\u002F","integration-automation",{"id":72,"title":73,"shortDescription":74,"imageUrl":75,"url":76,"slug":77},53,"Аренда выделенных команд","\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Поддержка и развитие веб-сервисов\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Создание веб-сервисов “с нуля”\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F53\u002Fmain\u002F3c00e6bbc3263141bc54ea51b816e383fcc49506.png","\u002Fservices\u002Fit-outsourcing\u002F","it-outsourcing",{"id":79,"title":80,"shortDescription":81,"imageUrl":82,"url":83,"slug":84},44,"ИТ-консалтинг","\u003Cul>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Аудит и оптимизация инхаус-команд\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• Продуктовый консалтинг\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003Cli dir=\"ltr\" style=\"font-size: 12pt;\" role=\"presentation\">\u003Cspan style=\"font-size: 12pt;\">• HR в сфере диджитал\u003C\u002Fspan>\u003C\u002Fli>\r\n\u003C\u002Ful>\r\n\u003Cp> \u003C\u002Fp>","https:\u002F\u002Fa2a7be71-be8a-4951-a3b2-e244e2e9ee45.selstorage.ru\u002Fexpertises\u002F44\u002Fmain\u002F53c7eb07fb9f9d3b8f2184b6026cd9fcae15a875.png","\u002Fservices\u002Fit-consulting\u002F","it-consulting",{"id":12,"order":4,"title":13,"slug":14,"publishedAt":15,"shortDescription":16,"previewImageUrl":17,"tags":86,"fullDescription":87,"ogImageUrl":17,"metaTitle":88,"metaDescription":89,"createdAt":90,"updatedAt":91},[],"\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Звучит хорошо, но есть момент: сам по себе ИИ не делает найм умнее, а хорошая система не превращает слабого рекрутера в сильного.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">В этой статье разберем, где HR-команды чаще всего ошибаются при работее с \u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fwww.internet-design.ru\u002Fservices\u002Fai\u002F\" target=\"_blank\" rel=\"noopener\">корпоративным ИИ\u003C\u002Fa>\u003C\u002Fspan>, 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.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Ситуация с ИИ в рекрутинге\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">По данным hh.ru, в 2026 году 57% российских компаний используют ИИ для подбора персонала, адаптации и обучения.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">И вот здесь начинается проблема, потому что инструменты внедряются быстрее, чем растет ИИ-грамотность HR-команд.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Где HR чаще всего ошибается при работе с ИИ\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Разберем самые частые ошибки, которые снижают эффективность найма с ИИ:\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Вера в процент соответствия без учета деталей\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если рекрутер смешал обязательные и желательные требования, не учел смежный опыт или слишком узко описал роль, система будет ошибаться.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Если HR не проверяет такие случаи вручную, подходящий кандидат получает отказ просто потому, что его резюме не совпало с шаблоном.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Автоматизация поиска «похожих кандидатов»\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Непонимание объяснений системы\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для рекрутинга интерфейс подсвечивает навыки, показывает совпадения с вакансией, объясняет низкий или высокий скоринг. Но объяснение само по себе не всегда помогает.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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?\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Объяснимость помогает только тогда, когда человек умеет читать ее критически. Не как «система объяснила, значит, все объективно», а как повод проверить вывод.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Использование ИИ для оценки личности и «культурного соответствия»\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Еще одна ошибка — расширять применение ИИ за пределы деловых критериев.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Например, просить систему оценить личность кандидата, мотивацию, лидерский потенциал, токсичность или «культурное соответствие» по резюме, интервью или цифровому следу.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Последствия и риски\u003C\u002Fh2>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>Но через несколько месяцев может оказаться, что процесс ускорился, а качество решений снизилось.\u003C\u002Fp>\r\n\u003Cp>До интервью доходят не те кандидаты. Сильные люди отсеиваются на раннем этапе. Причины сломанной воронки размываются. А слабые показатели выглядят как результат объективного скоринга.\u003C\u002Fp>\r\n\u003Cp>Разберем, к чему это приводит:\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Компания начинает хуже видеть рынок кандидатов\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>Рекрутер быстрее получает «понятных» людей. Но в перспективе компания начинает хуже видеть кандидатов за пределами шаблона.\u003C\u002Fp>\r\n\u003Cp>Так теряются сильные самоучки, специалисты из смежных отраслей, люди с нестандартной траекторией, кандидаты, которые не умеют красиво упаковать резюме, но могут хорошо выполнять работу.\u003C\u002Fp>\r\n\u003Cp>Это хорошо проявляется в редких и сложных ролях. Там лучший кандидат не всегда выглядит как самый очевидный.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Отказы становятся быстрыми и необъяснимыми\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp>Отказ становится необъяснимым, когда рекрутер видит только итоговый вывод ИИ, но не понимает, почему система к нему пришла.\u003C\u002Fp>\r\n\u003Cp>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?\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>В итоге подходящие кандидаты вылетают из воронки из-за ошибки в критериях, резюме или интерпретации модели.\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>Проще говоря, компании внедряют ИИ, но часто не могут объяснить, как именно и насколько эффективно он влияет на подбор.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Рекрутеры начинают хуже думать\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>ИИ должен снимать рутину. Но при неправильном использовании он снимает ответственность.\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>В рекрутинге это превращается в плохую привычку: принимать скоринг и AI-summary как готовый вывод, а не как черновик для проверки.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Кандидаты учатся обходить фильтр\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp>ИИ используют не только рекрутеры. Кандидаты тоже переписывают резюме, сопроводительные письма и тестовые задания через нейросети.\u003C\u002Fp>\r\n\u003Cp>Документы становятся более гладкими, релевантными и похожими друг на друга. Формально — лучше. По сути — не всегда честнее и точнее.\u003C\u002Fp>\r\n\u003Cp>Если компания оценивает такие резюме через формальный ИИ-скоринг, она рискует выбирать не лучших кандидатов, а лучшие упаковки.\u003C\u002Fp>\r\n\u003Cp>Получается игра: кандидат оптимизирует резюме под алгоритм, алгоритм оценивает совпадения, рекрутер доверяет проценту, а реальный опыт приходится заново выяснять уже на интервью.\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Снижается доверие соискателей\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Cp>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.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Как избежать ошибок\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Чтобы ИИ усиливал подбор, а не ломал его, нужно сделать следующее:\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>1.\u003C\u002Fstrong> Дать HR управляемый инструмент, а не просто доступ к ИИ. Нужны роли, журнал действий, проверяемые критерии, интеграция с ATS и контроль обработки данных.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>2.\u003C\u002Fstrong> 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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>3.\u003C\u002Fstrong> 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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>4.\u003C\u002Fstrong> Настроить настоящий human-in-the-loop. Нельзя слепо подтверждать рекомендацию ИИ. Человек должен проверять спорные выводы и иметь право не согласиться с системой.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>5.\u003C\u002Fstrong> 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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>6.\u003C\u002Fstrong> 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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>7.\u003C\u002Fstrong> 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.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Подробный разбор шагов\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Дайте рекрутерам единый ИИ-инструмент\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Для управляемого процесса нельзя полагаться на случайный набор ИИ-инструментов. Нужна профессиональная система, адаптированная под задачи компании.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Ca href=\"https:\u002F\u002Fwww.internet-design.ru\u002Fblog\u002Fhr-ai-automation\u002F\" target=\"_blank\" rel=\"noopener\">\u003Cspan style=\"text-decoration: underline;\">\u003Cspan style=\"color: #e67e23; text-decoration: underline;\">Единый ИИ-инструмент для рекрутинга\u003C\u002Fspan>\u003C\u002Fspan>\u003C\u002Fa> 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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Разделите обязательные и желательные требования\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Настройте human-in-the-loop\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Важно, чтобы человек мог не согласиться с ИИ. И это не должно считаться сбоем процесса.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Учите HR не промптам, а критическому чтению ИИ\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Обучение рекрутеров не должно сводиться к промпт-инжинирингу. Промптов в HR недостаточно. Главный навык — понимание ограничений системы.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Задача рекрутера — не просто получить вывод ИИ, а разобраться, можно ли этому выводу доверять.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">ИИ поможет опытному HR работать быстрее и точнее. Слабый HR с ИИ будет продолжать ошибаться.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Аудируйте отказы и спорные решения\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Отдельное внимание — спорным группам: кандидатам с нестандартным опытом, карьерными перерывами, другими формулировками должностей, переходом из смежных отраслей.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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».\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Логируйте решения\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Без логирования невозможно понять, где ломается процесс.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">\u003Cstrong>Проверяйте исторические данные на предвзятость\u003C\u002Fstrong>\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">Тогда ИИ начинает работать на результат — не повторяет прошлые решения, а помогает точнее находить людей, которые подходят под текущие задачи бизнеса.\u003C\u002Fp>\r\n\u003Ch2 dir=\"ltr\">Заключение\u003C\u002Fh2>\r\n\u003Cp dir=\"ltr\">Сама по себе ИИ-система не улучшит найм. Главный элемент процесса — HR-команда, которая умеет работать с ИИ. Поэтому \u003Cspan style=\"color: #e67e23;\">\u003Ca style=\"color: #e67e23;\" href=\"https:\u002F\u002Fwww.internet-design.ru\u002Fservices\u002Fai\u002F\" target=\"_blank\" rel=\"noopener\">внедрение ИИ в рекрутинг\u003C\u002Fa>\u003C\u002Fspan> должно идти вместе с обучением рекрутеров, аудитом решений, настройкой критериев и нормальным human-in-the-loop процессом.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>\r\n\u003Cp dir=\"ltr\">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.\u003C\u002Fp>","Внедрение ИИ в рекрутинге: HR'ы остаются риском для системы","Внедрение ИИ в HR не делает найм умнее, если рекрутеры не умеют его использовать. Как выстроить процесс, чтобы корпоративная AI платформа усиливала компанию","2026-06-22 03:30:43","2026-06-22 07:18:40"]