Скрининг резюме с помощью ИИ: пошаговый подход для HR в 2026

Кратко: нейросеть превращает массив из 100 и более резюме в структурированную таблицу, но решение о приглашении принимает специалист.

Первичный отбор часто тормозит рекрутинг сильнее, чем финальное интервью. В каждом резюме приходится искать должность, длительность опыта, отрасль, набор навыков и признаки несоответствия вакансии. Если на один документ уходит 4 минуты, проверка 100 откликов занимает около 6 часов 40 минут без учёта пауз и повторного чтения.

Нейросеть полезна на участке, где требуется привести разноформатные тексты к единой схеме. Она может выделить факты, сопоставить их с критериями вакансии, объяснить оценку и собрать список вопросов для HR. Я рассматриваю такой подход как черновой слой аналитики: алгоритм ускоряет просмотр, человек проверяет спорные места и принимает решение.

Что именно ускоряет ИИ при отборе резюме

ИИ ускоряет первичный скрининг за счёт перевода 100 разрозненных документов в набор из 6–10 одинаковых полей. Рекрутер сначала видит сопоставимые данные, а затем читает исходный текст у подходящих кандидатов.

Обычно в карточку резюме включают:

1. Последнюю должность и общий стаж.
2. Опыт в нужной отрасли, продукте или типе проекта.
3. Навыки, которые прямо указаны в вакансии.
4. Масштаб задач, например число пользователей, бюджет или размер команды, если кандидат это раскрыл.
5. Формат работы, город и готовность к переезду, когда эти условия действительно относятся к вакансии.
6. Пробелы в опыте, частую смену мест и другие вопросы для проверки.

Такой список снижает риск оценивать резюме по внешнему виду. Один кандидат пишет о достижениях в 5 строках, другой подробно описывает 3 проекта на двух страницах. Для алгоритма оба текста нужно привести к единой структуре.

Полезную базу даёт материал о том, как внедрить нейросети в рабочие процессы: там подробно разобраны выбор повторяемой задачи, контроль результата и постепенное расширение сценария.

Как подготовить резюме и критерии вакансии

Подготовка начинается с 5–7 проверяемых критериев, а не с просьбы «найди хороших кандидатов». Чем точнее описана вакансия, тем меньше места остаётся для догадок и субъективных выводов.

Разделите требования на 3 уровня:

Уберите из задания признаки, которые не связаны с работой. Возраст, семейное положение, фотография и предположения о здоровье не показывают качество выполнения обязанностей. Не просите модель делать выводы по имени, полу или месту проживания, если география не является формальным условием.

Заранее договоритесь о шкале. Например, 2 балла получает полное соответствие обязательному критерию, 1 балл означает частичное подтверждение, 0 баллов означает отсутствие данных. Отдельная отметка «нет информации» полезнее, чем автоматическое решение «кандидат не подходит».

Если резюме содержит персональные данные, перед обработкой оставьте только сведения, необходимые для конкретной вакансии. Фамилию, телефон, адрес и ссылки на личные страницы можно удалить на этапе подготовки, если они не нужны рекрутеру.

Как составить запрос для массового скрининга

Рабочий запрос состоит из 4 блоков: роль модели, критерии, формат ответа и правила неопределённости. Такая конструкция лучше расплывчатой формулировки из 6–8 слов.

Шаблон можно построить так:

Ты помогаешь HR провести первичный скрининг. Сопоставь текст резюме с требованиями вакансии. Не додумывай отсутствующие факты. Для каждого критерия укажи статус «подтверждено», «частично», «не найдено» или «неясно». Верни таблицу с колонками: критерий, найденное подтверждение, цитата из резюме, оценка от 0 до 2, вопрос для проверки. В конце дай краткое объяснение без окончательного отказа кандидату.

После общего шаблона добавьте описание вакансии. В нём полезно разделить 4 группы: обязательные навыки, задачи на первые 90 дней, допустимые альтернативы и условия, которые действительно исключают рассмотрение.

В один запрос лучше помещать 1 резюме или небольшой однородный пакет. Если отправить сразу 50 документов, модель может смешать факты между кандидатами, особенно когда должности и проекты похожи. Для партии из 100 откликов безопаснее использовать одинаковый шаблон и отдельную строку идентификатора, например «Кандидат 001».

В веб-чате SoftChat для такого процесса можно работать во вкладке «Текст», получать ответ потоково и переключать модель в рамках одного разговора. Я бы использовал это для сравнения двух вариантов формулировки на 5 обезличенных резюме, а затем оставлял тот запрос, где меньше пропущенных подтверждений.

Дополнительные приёмы постановки задачи разобраны в статье об искусстве формулировать запросы для нейросетей. Для скрининга особенно полезны явные ограничения: «не считать отсутствие навыка доказанным», «ссылаться на фрагмент резюме», «отделять факт от предположения».

Как находить релевантный опыт и красные флаги

Релевантность нужно проверять по 4 признакам: функциям, масштабу, контексту и давности опыта. Одно совпадение по названию должности ещё не доказывает соответствие вакансии.

Например, слово «аналитик» встречается у специалиста по продажам, финансового контролёра и продуктового исследователя. Модель должна смотреть на действия рядом с должностью: строил отчёты, проверял гипотезы, настраивал прогноз, работал с показателями или готовил данные для аудита.

Попросите выделять подтверждения дословно. Если в резюме написано «сократил время подготовки отчёта с 2 дней до 4 часов», это конкретный результат. Если написано «занимался улучшением процессов», перед нами общий тезис, который нужно проверить вопросом.

Красные флаги лучше делить на 3 группы:

• Недостаток данных. Нет дат, масштаба проекта, описания личной зоны ответственности или результатов.
• Несогласованность. Период работы в одном месте пересекается с другим, должность не совпадает с описанными задачами, даты обучения противоречат хронологии.
• Риск неверной интерпретации. В резюме есть громкое название инструмента, но нет примера применения, либо перечислено 15 навыков без подтверждающих проектов.

Эти признаки не должны автоматически означать отказ. Их назначение, сформировать список вопросов. Например: «Какую часть проекта вы выполняли лично?», «Каким показателем измеряли результат?», «Почему в периоде с марта по июль 2023 года указаны две параллельные роли?».

Для текста с большим числом повторяющихся форматов пригодится разбор нейросети для генерации текста и проверки результата. Скрининг требует той же дисциплины: сначала черновой вывод, затем проверка по исходному фрагменту.

Как контролировать качество автоматического отбора

Контроль качества требует 2 независимых проверок: сверки с резюме и сравнения с решением специалиста. Автоматический балл сам по себе не показывает, правильно ли модель поняла контекст.

Соберите контрольную выборку из 10–20 резюме разных типов: сильные кандидаты, пограничные профили, документы с коротким описанием и тексты с нестандартными названиями должностей. Сначала оцените их вручную по единой шкале, затем запустите запрос и сопоставьте результаты.

Запишите 4 показателя:

1. Сколько обязательных навыков модель нашла из всех подтверждённых.
2. Сколько навыков она приписала кандидату без основания.
3. Сколько резюме отправила в правильную группу приоритета.
4. Сколько спорных случаев пометила для ручной проверки.

Модельный кейс: при выборке из 20 резюме рекрутер заранее отметил 8 профилей для интервью, 7 пограничных и 5 неподходящих по обязательному условию. Если система ошиблась в 4 случаях, это сигнал пересмотреть критерии, а не просто повысить порог баллов.

Полезно просить модель приводить цитату из исходного текста для каждого балла. Ответ без такого подтверждения выглядит аккуратно, но его трудно проверить за 30 секунд. Если цитата не найдена, статус должен меняться на «неясно».

Проверяйте качество после каждого изменения запроса. Добавление нового критерия, перестановка таблицы или смена модели может изменить распределение оценок. Сохраняйте 10 контрольных резюме и повторяйте тест на них, чтобы видеть динамику, а не полагаться на впечатление от одного ответа.

Какой способ выбрать для 100 откликов

Для 100 откликов разумнее сочетать ручную проверку и нейросетевой черновик, оставляя специалисту спорные решения и финальный выбор. Полностью ручной процесс надёжнее при малой партии, но хуже масштабируется.

Модельный кейс: компания из сферы логистики, около 200 сотрудников, получает 120 резюме на одну вакансию. Первый проход может извлечь 8 полей и выделить 25 профилей для детального чтения, но приглашать кандидатов следует после проверки исходных формулировок человеком.

Сравнивайте не «умность» модели, а полезность для задачи. Одна модель может лучше извлекать даты, другая, объяснять неоднозначный опыт, третья, соблюдать компактный формат. На контрольной выборке из 15 резюме измеряйте пропуски, ложные совпадения и долю ответов, которые приходится исправлять вручную.

Как встроить скрининг в работу HR

Внедрение можно начать с 1 вакансии, 10 контрольных резюме и одного утверждённого шаблона. Такой ограниченный запуск показывает слабые места до массового использования.

Последовательность выглядит так:

1. HR формулирует требования и исключения в виде наблюдаемых признаков.
2. Ответственный сотрудник обезличивает резюме и присваивает каждому идентификатор.
3. Нейросеть возвращает структурированный разбор с цитатами и оценками.
4. HR проверяет кандидатов с высокой оценкой и все статусы «неясно».
5. Команда фиксирует ошибки в отдельном списке и обновляет шаблон.

Модельный кейс: если из 80 откликов 12 попали в пограничную группу, руководитель может поручить одному специалисту проверить эти 12 документов и случайные 8 из остальных. Так контроль охватывает 20 резюме, а время не тратится одинаково на весь массив.

Не меняйте критерии посреди одной партии. Если после просмотра 40 документов выяснилось, что «опыт в отрасли» трактуется по-разному, зафиксируйте новое определение и повторите оценку всей партии либо явно разделите результаты на два этапа.

Подход можно применять и к ежедневным задачам HR, где требуется единый формат черновиков и повторяемая проверка. Сценарии планирования и автоматизации описаны в материале о нейросетях и чат-ботах для повседневных задач.

Где проходит граница автоматизации

Финальное решение должен принимать человек, особенно если в списке осталось меньше 10 кандидатов или цена ошибки высока. Нейросеть видит текст и заданные признаки, но не знает, как команда распределяет ответственность после найма.

Нельзя превращать оценку в автоматический отказ по одному слову. Отсутствие навыка в резюме означает «не найдено», а не «навыка нет». Пробел в датах может объясняться обучением, проектной занятостью или ошибкой оформления. Все 3 версии требуют проверки.

Рекрутеру полезно просматривать исходный фрагмент рядом с оценкой. Если вывод касается опыта управления, нужно найти в тексте размер команды, длительность роли и конкретную ответственность. Если подтверждён только факт «координировал работу», этого мало для вывода о руководстве отделом из 12 человек.

Соблюдайте единые правила доступа и хранения. В рабочий контур передавайте обезличенные тексты, удаляйте временные копии по внутреннему регламенту и не включайте в запрос данные, которые не влияют на решение. Такой порядок снижает число случайных раскрытий и делает проверку процесса понятнее для команды.

Что бы я сделал на вашем месте

Я бы начал с одной вакансии и партии из 20 резюме, затем сравнил ручную оценку с нейросетевым разбором по 4 показателям: полнота извлечения, число неподтверждённых выводов, точность приоритета и время проверки.

После этого закрепил бы шаблон из 6–10 полей, добавил обязательные цитаты и оставил статус «неясно» для всех недоказанных пунктов. Для партии в 100 откликов применил бы два прохода: общий разбор, затем ручную проверку приоритетной и пограничной групп. Если контрольная выборка из 10 документов показывает стабильные ошибки, менять нужно критерии или запрос, а не передавать алгоритму больше полномочий.

Так ИИ становится инструментом сортировки и подготовки вопросов. Ответственность за равные критерии, уважительное обращение с данными и приглашение на интервью остаётся у HR и руководителя.