ИИ для скрининга резюме: ускоряем подбор без потери качества в 2026

Практический разбор: как превратить поток откликов в проверяемый короткий список кандидатов и сохранить решение за рекрутером.

Первичный скрининг резюме редко ломается из-за отсутствия критериев. Проблема обычно в объёме: при 120 откликах и 4 минутах на чтение одного документа получается 480 минут, то есть 8 часов непрерывной работы. Нейросеть может взять на себя сортировку, извлечение фактов и подготовку чернового рейтинга, но финальное решение должно оставаться у специалиста по подбору.

Где теряется время при ручном скрининге

Главная потеря возникает на повторяющихся операциях: 120 резюме приходится сопоставлять с одними и теми же 6–8 требованиями вакансии, а затем заносить выводы в единую форму. Даже небольшая пауза на переключение между документами увеличивает общий срок обработки.

В резюме редко используется единый порядок сведений. Один кандидат ставит стаж в начале, другой описывает проекты после образования, третий перечисляет обязанности без результатов. Рекрутеру приходится искать одни и те же признаки в разных местах: длительность опыта, отрасль, инструменты, уровень ответственности, формат занятости и готовность к графику.

Я разделяю эту работу на две части. Механическую часть можно передать нейросети: извлечь факты, привести названия к единому виду, найти пропуски. Экспертную часть нужно оставить человеку: понять качество результатов, проверить контекст и оценить соответствие команде.

Если процесс внедряется впервые, полезно сначала описать маршрут кандидата и точки ручной проверки. Подход к этому подробно разобран в материале как внедрить нейросети в рабочие процессы. Для подбора достаточно начать с одного типа вакансий и одной формы оценки, а не менять весь процесс сразу.

Что нейросеть делает на первом этапе

Нейросеть полезна на пяти последовательных операциях: извлечение данных, нормализация, сопоставление с требованиями, выявление пробелов и подготовка объяснимого приоритета.

Сначала из резюме нужно получить структурированные поля. В рабочую форму обычно входят должность, общий стаж, релевантный стаж, отрасль, навыки, масштаб проектов, образование, языки и желаемый формат работы. Если поле не найдено, система должна писать «нет данных», а не додумывать значение.

Следующий шаг, нормализация. Например, записи «руководитель отдела продаж», «начальник продаж» и «руководитель группы продаж» могут быть близкими по смыслу, но не равными по уровню. Нельзя автоматически считать их одинаковыми. Лучше сохранить исходную формулировку и добавить отдельный комментарий о возможном совпадении.

После этого модель сопоставляет факты с вакансией. Для каждой позиции я задаю три типа требований:

1. Обязательные, без которых кандидат не проходит дальше, например право на работу в нужном регионе или опыт управления командой от 5 человек.
2. Желательные, которые повышают приоритет, но не должны автоматически исключать человека.
3. Проверочные, по которым в резюме часто мало сведений, например размер бюджета или личный вклад в результат.

Результатом должен быть не безусловный вердикт, а карточка с аргументами. Удобный формат выглядит так: найдено, не найдено, требует уточнения. Такая схема снижает риск принять отсутствие фразы за отсутствие навыка. Кандидат мог описать опыт словами «настроил процесс обработки заявок», не употребив термин из текста вакансии.

Как подготовить вакансию и запрос к модели

Надёжный анализ начинается с двух блоков данных и 6–8 чётких критериев, а не с длинной просьбы «выбери лучших кандидатов».

В первом блоке я фиксирую профиль роли: задачи, обязательные условия, желательные признаки, ограничения и вопросы для интервью. Во втором задаю формат ответа. Например, модель должна вернуть таблицу с полями «критерий», «факт из резюме», «оценка», «цитата или фрагмент», «что уточнить».

Пример запроса для иллюстрации:

Проанализируй резюме по критериям вакансии. Не додумывай сведения, которых нет в тексте. Для каждого критерия укажи найденный факт или напиши «нет данных». Раздели требования на обязательные и желательные. В конце сформируй три группы: подходит для следующего этапа, требует уточнения, пока не соответствует. Для каждой группы приведи краткое объяснение.

Такой запрос задаёт правила поведения, но не заменяет проверку. Полезно заранее определить шкалу, например от 0 до 3: 0 означает отсутствие подтверждения, 1 показывает косвенное совпадение, 2 означает достаточное подтверждение, 3 указывает на сильное соответствие с измеримым результатом.

Отдельно задайте запрет на чувствительные выводы. Возраст, семейное положение, фотография, адрес и другие сведения, не относящиеся к работе, не должны влиять на приоритет. Их лучше удалить до анализа. О методике составления точных запросов можно прочитать в материале об искусстве промптинга для нейросетей.

Промпт стоит проверять на небольшом наборе. Для примера: возьмите 10 резюме, заранее оцените их вручную и сравните с результатом модели по каждому критерию. Если расхождения появились в 4 из 10 карточек, сначала исправьте формулировки требований, а потом увеличивайте объём.

Как формировать короткий список без автоматического отказа

Короткий список лучше строить через 3 зоны, а не через один жёсткий порог: подтверждённое соответствие, возможное соответствие и недостаток данных.

Первая зона включает кандидатов, у которых обязательные условия подтверждены конкретными фактами. Вторая предназначена для людей с близким опытом или нестандартной траекторией. Третья собирает резюме, где мало сведений для решения. Название «данных недостаточно» точнее, чем «слабый кандидат»: оно описывает качество информации, а не человека.

Условный пример: из 100 откликов модель распределила 28 резюме в группу подтверждённого соответствия, 42 в зону уточнения и 30 в группу с недостатком данных. Рекрутеру не нужно читать все документы с одинаковой глубиной. Он сначала проверяет 28 карточек, затем выбирает вопросы для 42 кандидатов и отдельно решает, какие 30 резюме стоит запросить повторно или оставить без движения.

Я не советую использовать сумму баллов как единственное основание для отказа. Два кандидата могут получить по 12 баллов из 15, но один подтвердит результаты цифрами, а второй перечислит только обязанности. В карточке должен быть первоисточник оценки, то есть точный фрагмент резюме или указание, что подтверждения нет.

Полезно добавить поле «причина следующего действия». Варианты могут быть такими: пригласить на звонок, уточнить опыт, запросить портфолио, проверить формат занятости, не продолжать поиск по этой вакансии. Это превращает рейтинг в рабочий маршрут, а не в красивый список чисел.

Сравнение подходов к первичному отбору

Для 100 откликов есть 3 рабочих подхода: ручной, с поддержкой нейросети и полностью автоматический фильтр. Для большинства вакансий я выбираю промежуточный вариант, где машина сортирует материалы, а человек проверяет основания решения.

Таблица показывает разницу между сортировкой и решением. Фильтр может проверить наличие слова, но не всегда понимает, отвечал ли человек за весь процесс или выполнял отдельную часть задачи. Нейросеть способна подготовить объяснение, однако это объяснение всё равно нужно сверить с резюме.

Как проверять ошибки и сохранять качество

Качество скрининга держится на 4 проверках: полнота извлечения, точность сопоставления, отсутствие недопустимых признаков и воспроизводимость результата.

Первая проверка касается пропусков. Сравните исходное резюме с карточкой и убедитесь, что модель не потеряла даты, названия должностей и численные результаты. Вторая проверка выявляет ложные совпадения. Формулировка «работал с клиентами» не равна опыту построения отдела продаж из 8 сотрудников.

Третья проверка относится к справедливости отбора. В запросе не должно быть просьб судить о кандидате по имени, полу, возрасту, фотографии, месту проживания или перерывам в карьере без профессионального контекста. Четвёртая проверка нужна для повторяемости: одинаковое резюме при тех же правилах должно давать сопоставимую структуру ответа.

Для контроля я использую выборочную ручную проверку. Условный пример: после обработки 100 резюме можно взять 15 карточек, включая 5 из каждой зоны, и сверить их с оригиналами. Если в 3 или более карточках обнаружены существенные ошибки, критерии нужно уточнить, а прошлый результат пересмотреть.

Нельзя передавать модели лишние персональные данные. До анализа удалите телефон, адрес, паспортные сведения и контакты рекомендателей, если они не нужны для конкретного этапа. Храните отдельную таблицу соответствий, а в рабочем тексте используйте номер кандидата, например «Кандидат 017».

После первичного отбора полезно проверить результат на реальных итогах процесса. Сравните долю приглашённых на интервью, долю прошедших интервью и долю принятых на работу. Эти показатели не доказывают качество модели сами по себе, но помогают найти перекос: например, слишком много приглашений при слабом прохождении технического этапа.

Как использовать чат для подготовки скрининга

В веб-чате SoftChat можно переключать модели для разговора и получать ответ потоково, поэтому я бы применял его для последовательной проверки критериев, а не для безусловной автоматизации найма.

В текстовой вкладке удобно сначала попросить модель составить форму оценки вакансии, затем проверить один обезличенный фрагмент и после этого перейти к партии документов. Переключение модели в рамках разговора помогает сравнить структуру ответов на одном наборе требований. Потоковый вывод позволяет раньше увидеть ошибочную трактовку и остановить обработку, не дожидаясь полного ответа.

Я бы разделил запрос на этапы: сначала извлечение фактов, затем оценка по критериям, потом список уточняющих вопросов. Один длинный запрос часто смешивает эти действия, из-за чего трудно понять источник ошибки. Для повседневных рабочих сценариев полезны рекомендации из материала как использовать нейросети и чат-боты для повседневных задач.

В SoftChat доступны разные модели, поэтому для короткого структурированного ответа можно сравнить несколько вариантов на 5–10 тестовых резюме. Такой тест показывает, какая формулировка лучше сохраняет факты, а не какая модель звучит убедительнее. При работе с кандидатскими данными я использую обезличенные тексты и не вставляю в запрос сведения, которые не требуются для оценки.

Что бы я сделал на вашем месте

Я бы начал с 30 обезличенных резюме одной специальности и одной формы оценки на 6 критериев. Сначала вручную разметил бы обязательные признаки, затем попросил бы нейросеть извлечь факты и распределить документы по 3 зонам. После этого сверил бы 10 карточек, включая кандидатов с высоким, средним и низким приоритетом.

Если совпадение с ручной разметкой приемлемое, процесс можно расширить до 100 откликов. Если ошибки повторяются, я бы не добавлял новые функции и не ужесточал порог. Сначала нужно переписать критерии, убрать двусмысленные слова и добавить обязательное поле с цитатой из резюме.

Моя рабочая граница проста: нейросеть ускоряет поиск фактов и формирует вопросы, а решение о приглашении принимает человек. При таком разделении ролей подбор получает меньше рутинного чтения, а кандидат не превращается в безликую сумму баллов.