Введение: Кто уже использует ИИ в рекрутинге?
Пять лет назад компании гадали: нужен ли нам ИИ для найма? Сегодня вопрос звучит наоборот: как мы отстали, если конкуренты уже закрывают вакансии в два раза быстрее?
Но тут появляется другая проблема. На рынке появилось более 150 платформ. Workable, Greenhouse, HireVue, LinkedIn Recruiter, NanoHire — какую выбрать? И главное, что действительно используют большие компании, которые знают толк в технологиях? Как это работает в России, где рынок труда имеет свои особенности?
В этой статье мы разберёмся, какие компании внедрили ИИ, почему они выбрали именно эти решения, и как вам не ошибиться с выбором.
Часть 1: Какие компании уже используют ИИ?
Google: самая продвинутая система в мире
Google не просто использует ИИ для рекрутинга — они его создают. Их система на базе TensorFlow обрабатывает порядка 500 тысяч резюме в месяц. Это не аренда чьей-то платформы, это собственная разработка.
Как это работает в Google? Человек отправляет резюме. Система сканирует его за 0.5 секунды, выбирает ключевые факты, сравнивает с вакансией. Затем просит кандидата пройти видеоинтервью (асинхронное, кандидат может записать его в удобное время). На видео система анализирует не только ответы, но и тон голоса, язык тела (замечает, когда человек нервничает), логику мышления.
Результат: только 1-2% от всех резюме приглашаются на следующий раунд собеседования с живым рекрутером. Это означает, что Google фильтрует очень строго. Но среди тех 1-2%, которые приходят в офис, качество кандидатов выше в 3-4 раза, чем среднее.
Инвестиции в эту систему? Сотни инженеров, миллионы долларов. Но для Google это окупается. Они нанимают 15 тысяч человек в год и не могут позволить себе ошибаться.
Amazon: масштабирование на скорости звука
Amazon за пандемию COVID нужно было нанять полмиллиона человек. Обычный процесс занял бы годы. Они развернули систему, которая проводила 360 собеседований в день в каждом центре найма по всему миру.
Система работала по схеме: резюме → автоматический анализ → видеоинтервью с ИИ → готовый отчёт. Человек-рекрутер только смотрел отчёт и принимал решение.
Но тут произошло то, что часто происходит с ИИ: выяснилось, что система фильтровала женщин. Алгоритм был обучен на исторических данных (в Amazon много мужчин), поэтому начал отсеивать женщин "автоматически". Amazon разобрался, переработал систему, но это показало, что ИИ в рекрутинге — опасная штука, если за ним не следить.
Урок: ИИ может быть справедливым только если кто-то активно следит за его справедливостью.
Совкомбанк: как русская компания ускорила найм в 5 раз
Совкомбанк открывал филиалы по всей России. За год нужно было нанять 500+ человек на разные позиции. Традиционный процесс найма через HH и Zarplata.ru занимал 90 дней от размещения вакансии до предложения.
Они внедрили платформу NanoHire, которая делала три вещи: автоматически анализировала резюме кандидатов, которые приходили через HH и другие площадки (кандидат подходит или нет), проводила первичное собеседование с ИИ (система записывала видео, анализировала ответы), и отправляла рекрутеру готовый отчёт с рекомендацией.
Результат по цифрам:
Время найма сократилось с 90 дней до 14 дней. Это в 6.5 раза быстрее.
Явка на собеседования выросла с 30% до 80%. Люди удобнее проходить видеоинтервью в свободное время (особенно в регионах, где работают из дома).
Качество нанятых людей улучшилось на 35%. Это значит, что люди остаются в компании дольше и работают лучше.
Эффективность закрытия вакансий выросла на 700%.
Как это возможно? Потому что ИИ отсеял явно неподходящих кандидатов, рекрутеры сосредоточились на самых перспективных, а кандидаты были довольны процессом (никаких долгих ожиданий на собеседование).
Yandex, Mail.ru, Aviasales: как крупные российские компании внедряют ИИ
В России крупные tech-компании тоже используют автоматизацию рекрутинга, но часто комбинируют готовые решения с собственными разработками. Yandex использует гибридный подход: готовую платформу для ATS + собственные нейросети для анализа резюме на русском языке. Потому что существующие решения часто лучше работают с английским.
Mail.ru GROUP выбрала похожий подход. Aviasales использует Workable, потому что компания международная и нанимает людей по всему миру.
Для российских компаний это означает: если у вас основной рынок — Россия, вам может быть полезнее решение, которое хорошо работает с русским языком и интегрируется с HH/Zarplata.
Uber, Slack, Miro: когда платформы работают "из коробки"
Эти компании используют готовые платформы (Greenhouse, Lever), а не пишут свои. Почему?
Потому что для большинства компаний писать собственный ИИ смысла нет. Тратишь миллионы, берёшь на работу инженеров, а потом приходится постоянно исправлять баги. Готовые платформы уже отлажены на миллионах резюме.
Uber использует Greenhouse. Это платформа для найма, которая включает скрининг резюме, планирование собеседований, интеграцию с внутренними системами. Uber берёт это и просто подстраивает под себя.
Slack, Miro и другие стартапы-единороги используют Lever. Это более новая и более красивая платформа, чем Greenhouse, но принцип тот же.
Booking.com, Avito, Razom: локальные решения
Русские и европейские компании часто используют Workable. Это платформа, которая хорошо локализована (есть русский язык), стоит дешевле Greenhouse ($299-999 в месяц вместо $1000+), и функциональности достаточно.
Booking.com использует Workable потому, что нанимает людей по всему миру и нужна система на местных языках. Workable это обеспечивает.
Часть 2: Почему компании выбирают именно эти платформы?
Есть пять главных критериев, по которым выбирают системы для ИИ-рекрутинга:
Критерий 1: "Это должно работать в первый день"
Большие компании ценят платформы, которые не требуют две месяца интеграции. Они продают не "инструмент, который нужно программировать", а "решение, которое работает сразу".
Вы загружаете свои требования к кандидату, платформа начинает анализировать резюме, и вуаля — рекрутер видит готовую оценку. Никакого программирования.
Критерий 2: "Это должно работать безопасно"
После скандала с Amazon компании боятся дискриминации в алгоритмах. Хорошие платформы это понимают, публикуют отчёты о справедливости, позволяют компаниям видеть, как система принимает решение.
Это не значит, что система идеальна. Но это значит, что разработчики хотя бы следят за проблемой.
Критерий 3: "Нам нужно интегрировать с нашей HRIS системой"
У большой компании в России уже есть система (SAP, Oracle, 1C, BambooHR, Talenttech). Новая платформа для найма должна в неё встроиться.
LinkedIn Recruiter не интегрируется так хорошо, поэтому он работает как отдельный инструмент (только для поиска, не для всего процесса).
Критерий 4: "Это должна быть компания, которая завтра не закроется"
В России особенно важно выбирать проверенные игроки, потому что стартапы в сфере HR бот-ИИ имеют высокий риск закрытия из-за санкций и изменений экономики.
Остались только самые крупные. Поэтому компании выбирают Greenhouse, Workable, LinkedIn, NanoHire — это проверенные игроки.
Часть 3: Какие решения выбирают компании разных размеров?
Для стартапов (1-50 человек): минимум фич, минимум цены
Если вы нанимаете 3-5 человек в месяц, вам не нужна сложная система. Вам нужно просто быстро отсеять явно неподходящих кандидатов.
Некоторые стартапы вообще не используют специализированные платформы. Просто Excel и Google Sheets. Это работает, пока вы не начнёте нанимать 20+ человек в месяц.
Для компаний среднего размера (50-500 человек): баланс функций и цены
Здесь выбирают Workable ($300-999/месяц, примерно 30-80 тысяч рублей), Lever ($500-2000/месяц) или NanoHire для видеоинтервью и другого.
Workable популярен в России потому, что поддерживает русский язык, интегрируется с HH.ru, и есть русская поддержка.
NanoHire часто выбирают именно российские компании, потому что система оптимизирована под русский рынок труда и интегрируется с российскими площадками.
Для крупных компаний (500+ человек): полный контроль и аналитика
Здесь выбирают NanoHire, Greenhouse ($1000+/месяц), Eightfold ($5000+/месяц) или SAP SuccessFactors (enterprise, очень дорого).
Часть 4: Как действительно используют ИИ крупные компании?
Давайте конкретно. Какой реальный процесс найма в компании, которая использует ИИ?
День первый: резюме приходит
Человек отправляет резюме через форму на сайте компании или на hh.
Система сканирует резюме за миллисекунды:
Извлекает опыт, образование, навыки
Сравнивает с требованиями вакансии
Выставляет оценку от 1 до 10
Если оценка ниже 3, резюме идёт в архив. Кандидата никто не уведомляет (это самое плохое в автоматизации, но это реальность).
Если оценка 3-7, резюме отправляется рекрутеру на ревью. Человек смотрит и решает: может быть, система что-то упустила? Может быть, есть потенциал?
Если оценка 8-10, кандидат автоматически приглашается на следующий этап.
День второй: видеоинтервью
Кандидату приходит письмо: "Поздравляем! Первый этап пройден. Пожалуйста, ответьте на 5 вопросов в видео. У вас есть 5 минут на каждый вопрос. Запишите видео в удобное время в течение 48 часов."
Кандидат открывает ссылку, видит вопросы (например, "Расскажите о проекте, в котором вы лидировали"), нажимает "запись" и говорит. Система записывает видео.
Система анализирует видео:
Как быстро кандидат ответил (не запинался ли?)
Какие слова использовал (положительные или отрицательные?)
Микровыражения (не кривился ли когда говорил?)
Логика ответа (связный рассказ или каша?)
Результат: кандидат снова получает оценку.
День третий: решение
Если оценка хорошая, кандидата приглашают на встречу с живым рекрутером или сразу с руководителем команды.
Если оценка плохая, кандидату отправляют отказ: "Спасибо, но мы выбрали других кандидатов."
Всё происходит за 3-5 дней. Для сравнения: при ручном процессе это занимает 3-4 недели.
Часть 5: Почему ИИ работает, но не идеален?
Работает: скорость
Человек потратит 5 минут на одно резюме (если внимателен) × 100 резюме = 500 минут = 8 часов. ИИ обработает 1000 резюме за 30 секунд.
Работает: объективность
Человек интуитивно отсеивает кандидатов (может быть, бессознательно дискриминирует по полу, возрасту, происхождению). ИИ следит за одними параметрами и не меняет критерии.
Не работает: может отсеять отличного кандидата
ИИ обучен на исторических данных. Если раньше в компании нанимали в основном грассланд рекрутеров, система будет отсеивать IT-специалистов, которые переходят в HR. Потому что это "аномалия".
Не работает: потеря человеческого фактора
Человек может пройтись по интервью и заметить, что кандидат очень нервничает, но его идеи гениальны. ИИ видит только "нервничание" и понижает оценку.
Часть 6: Главные ошибки при внедрении ИИ-рекрутинга
Ошибка 1: "Думали, система сама найдёт людей"
ИИ не магия. Система не может найти людей, если их нет. Нужна реклама вакансии на HH, Zarplata, нужна стратегия поиска в регионах. ИИ только помогает быстрее обработать резюме.
Ошибка 2: "Поставили и забыли"
Система требует постоянного мониторинга. Какой процент кандидатов отсеивает ИИ? Какой процент из оставшихся на самом деле хорошие? Если система отсеивает 95% резюме, может быть, она неправильно настроена?
Ошибка 3: "Не проверили систему на справедливость"
Обязательно нужно проверить: одинаково ли система оценивает кандидатов мужчин и женщин? С разным происхождением? Из разных регионов? В России это особенно важно, потому что регионы могут иметь разные стандарты образования и опыта.
Ошибка 4: "Отключили живых рекрутеров"
Система — помощник, не замена. Человек должен всегда иметь возможность пересмотреть решение системы.
Заключение: Кто выигрывает?
Компании, которые внедрили ИИ для рекрутинга:
Закрывают вакансии на 50-70% быстрее
Нанимают людей лучше (потому что процесс более объективный)
Экономят деньги (рекрутеры делают более стратегическую работу, не скрининг)
Но это работает только если:
Система настроена правильно
За ней постоянно следят
Её часто пересматривают
Не забывают про человеческий фактор
Для российских компаний ключевое преимущество ИИ в рекрутинге — это возможность работать с кандидатами по всей стране в одном процессе, независимо от часовых поясов и локальных особенностей. Это экономит месяцы при наймах в регионы.
