Разбор резюме нейросетью: быстрый шорт-лист в 2026

Краткий стендфирст: нейросеть помогает разобрать 100+ откликов, выделить сильные стороны кандидатов и собрать понятный шорт-лист, если задать критерии до чтения резюме.

Когда на вакансию приходит 20 откликов, ручной разбор ещё терпим. Когда приходит 150, рекрутер тратит часы на повторяющиеся действия: открыть файл, найти опыт, сверить стек, отметить зарплатные ожидания, понять релевантность последних 2-3 мест работы. Я в таких задачах смотрю на нейросеть не как на «замену HR», а как на быстрый фильтр первого уровня. Решение о найме остаётся у человека, потому что резюме часто не показывает мотивацию, стиль коммуникации и реальные ограничения по графику.

В первичном скрининге есть понятная механика: резюме превращается в набор признаков. Например, для вакансии менеджера по продажам это отрасль, цикл сделки, средний чек, CRM, холодные звонки, выполнение плана, размер команды и тип клиентов. Для разработчика это язык, фреймворк, коммерческий опыт, роль в проекте, тесты, база данных, облачная инфраструктура и формат занятости. Нейросеть хорошо работает именно с такой структурой: извлечь, сравнить, пояснить, где совпадение сильное, а где резюме требует ручной проверки.

Если вы уже используете нейросети для личной продуктивности, логика будет знакомой: сначала задаём рамку, затем просим структурированный результат, после этого проверяем спорные места. Близкий принцип я разбирал в статье про внедрение нейросетей в рабочие процессы, только здесь фокус уже на HR-воронке, а не на общей автоматизации.

Что именно можно автоматизировать в первичном отборе

Нейросеть снимает с HR 5 повторяемых действий: извлечение фактов, сверку с критериями, поиск красных флагов, краткое резюме по кандидату и ранжирование списка. На пачке из 100 резюме это особенно заметно, потому что человек перестаёт читать каждый документ от первой строки до последней.

Я бы не отдавал модели финальное решение «звать или отказать». Зато ей можно поручить черновую работу. Она найдёт в резюме 3-5 сильных совпадений с вакансией, отметит пробелы, вытащит годы опыта, названия ролей и стек. Если критерии описаны заранее, результат получается сопоставимым между кандидатами: один и тот же шаблон, одна и та же шкала, одинаковые пояснения.

Хороший первичный отсев держится на 4 группах данных. Первая, обязательные требования: например, 2 года коммерческого опыта, знание конкретного инструмента, готовность к офису 3 дня в неделю. Вторая, желательные признаки: отраслевой опыт, английский на уровне чтения документации, опыт с командой от 5 человек. Третья, ограничения: город, график, зарплатные ожидания, релокация. Четвёртая, вопросы для уточнения: пробел в опыте 14 месяцев, частая смена мест работы, непонятная роль в проекте.

В SoftChat такую работу удобно вести через диалог с нейросетью: можно переключать модели в рамках разговора, настраивать длину ответа и креативность, а историю диалогов хранить по организации. Если задача повторяется, имеет смысл использовать системный промпт или кастомного ассистента для конкретного разговора, чтобы критерии не писать заново в каждом сообщении.

Где нейросеть ошибается при чтении резюме

Чаще всего модель ошибается в 3 местах: переносит выводы из одного пункта резюме на весь опыт, завышает релевантность по ключевым словам и пропускает контекст последних мест работы. Поэтому первичный скоринг без ручной проверки спорных кандидатов я считаю рискованным.

Классическая ошибка выглядит так: кандидат указал «Python» в учебном проекте 2020 года, а модель считает это коммерческим опытом. Вторая частая ситуация, резюме содержит 12 технологий, но не показывает, чем человек реально занимался последние 18 месяцев. Третья, формулировка «управлял командой» может означать 2 стажёров на 1 месяц или 15 сотрудников на 3 года. Без уточнения это разные уровни.

Поэтому я использую не один итоговый балл, а раздельную оценку. Например, 0-2 балла за обязательные требования, 0-2 за релевантный опыт, 0-1 за понятность резюме, 0-1 за риски. Максимум 6 баллов. Кандидат с 5-6 баллами идёт в шорт-лист, с 3-4 попадает в ручную проверку, с 0-2 обычно отсеивается, если нет редкого навыка.

Если вы пока только учитесь писать запросы, полезно сначала разобрать базу промптинга: в статье про формулировку запросов для нейросетей я показывал, почему один и тот же текст вакансии может дать разные ответы при разной постановке задачи.

Как подготовить данные перед запуском отбора

Для стабильного результата нужны 2 документа: описание вакансии с критериями и единый шаблон оценки кандидата. Если загрузить или вставить только резюме без рамки, модель начнёт оценивать «в общем», а HR получит красивый, но слабый список.

Начните с вакансии. Уберите из неё рекламные фразы и оставьте проверяемые критерии. «Коммуникабельность» плохо оценивается по резюме. «Вёл переговоры с B2B-клиентами, цикл сделки от 2 месяцев» уже можно искать. «Знание аналитики» размыто. «Работал с когортным анализом, воронками и A/B-тестами» конкретнее. Вакансия на 900 слов обычно сокращается до 12-18 критериев, и именно эти критерии нужны модели.

Затем подготовьте шаблон вывода. Я обычно прошу таблицу с колонками: кандидат, текущая роль, релевантный опыт, совпадения, сомнения, балл 0-6, решение, вопросы на скрининг. Если откликов больше 50, лучше разбивать их партиями по 10-20 резюме. Так проще проверить качество, найти системную ошибку и не потерять кандидата из-за слишком длинного контекста.

Условный пример: для вакансии «руководитель поддержки» на 120 откликов можно сначала отобрать всех, у кого есть опыт управления командой от 5 человек, работа с SLA и клиентская поддержка в B2B. После первого прохода нейросеть может разнести кандидатов по 3 группам: «пригласить», «проверить вручную», «не подходит по базовым критериям». Название вакансии и цифра здесь нужны только для иллюстрации процесса, а не как обещание результата.

Как выглядит рабочий промпт для HR

Рабочий запрос состоит минимум из 6 элементов: роль модели, вакансия, критерии, шкала, формат ответа и запрет на догадки. Без последнего пункта нейросеть может уверенно дописать то, чего нет в резюме.

Ниже пример, который можно адаптировать под массовый первичный разбор. Я специально оставляю формулировки простыми, потому что HR-команда должна понимать шаблон без технического словаря.

Ты помогаешь HR провести первичный разбор резюме.
Оцени кандидата только по фактам из резюме. Если данных нет, пиши «нет данных».
Вакансия: [вставить краткое описание на 12-18 критериев].
Обязательные критерии: [список].
Желательные критерии: [список].
Шкала: 0-6 баллов. 5-6, сильное совпадение; 3-4, нужна ручная проверка; 0-2, слабое совпадение.
Верни таблицу: имя, текущая роль, опыт по критериям, сильные стороны, сомнения, балл, рекомендация, 3 вопроса для скрининга.
Не делай выводов о возрасте, поле, семейном положении, национальности, здоровье и других личных признаках.

Последняя строка нужна не для красоты. В найме особенно опасны выводы по нерелевантным признакам. Резюме может содержать фотографию, год выпуска, город, перерыв в работе, родительский отпуск. Для оценки профессионального соответствия обычно нужны навыки, опыт, результаты, формат занятости и ограничения по вакансии. Всё остальное легко превращается в предвзятость.

Если вы работаете с текстами вакансий и писем кандидатам, пригодится смежная статья про нейросеть для генерации текста и проверку результата. Принцип тот же: сначала черновик, затем редактура человеком, затем финальная версия.

Как собрать шорт-лист без потери сильных кандидатов

Я бы делал шорт-лист в 2 прохода: сначала быстрый скоринг по всем откликам, затем ручная проверка пограничной группы. При 100 резюме это обычно даёт 10-20 кандидатов для внимательного чтения, а не хаотичную стопку файлов.

Первый проход нужен для грубой сортировки. Модель присваивает баллы, но HR смотрит не только на число. Кандидат с 4 баллами может быть сильнее кандидата с 5, если у первого редкий отраслевой опыт, а у второго просто аккуратнее написано резюме. Поэтому я прошу модель всегда писать пояснение к баллу в 1-2 предложениях: какие факты найдены, чего не хватает, какой вопрос задать на первом звонке.

Второй проход нужен для защиты от ложных отказов. Я бы отдельно проверял всех, у кого есть редкий навык, сильная роль в последнем месте работы или хороший отраслевой опыт, даже если общий балл средний. Например, для финтех-вакансии опыт с антифродом за последние 2 года может быть важнее длинного списка общих инструментов. Для B2B-продаж опыт сделок на 6-9 месяцев иногда ценнее большого числа коротких продаж.

Модельный кейс: если на вакансию аналитика пришло 180 резюме, первичный проход можно разбить на 9 партий по 20 резюме, после каждой партии проверять 2-3 случайных результата и корректировать критерии. Такой ритм снижает риск системной ошибки: если модель завышает баллы всем, кто упомянул «дашборды», вы заметите это после первой партии, а не после всей обработки.

Для бытовых и рабочих задач с похожей логикой есть отдельный материал про использование нейросетей и чат-ботов в повседневных задачах. Там проще увидеть общий принцип: большую задачу выгоднее разбивать на короткие проверяемые шаги.

Как оценить качество отбора после запуска

Качество отбора проверяется по 4 показателям: доля пропущенных сильных кандидатов, точность причин отказа, время на разбор и совпадение оценок между рекрутерами. Если смотреть только на скорость, можно быстро построить воронку с плохими отказами.

Самая полезная проверка, взять 20 случайных резюме из разных групп: 5 из шорт-листа, 5 из ручной проверки, 5 из отказов и 5 с низкой уверенностью модели. HR читает их вручную и сравнивает выводы. Если в отказах нашлись 2 сильных кандидата из 5, критерии слишком жёсткие или промпт неверно трактует опыт. Если в шорт-листе 4 слабых кандидата из 5, шкала слишком мягкая.

Ещё один практичный показатель, согласованность. Дайте один и тот же набор из 10 резюме двум рекрутерам и модели. Если люди расходятся по 6 кандидатам из 10, проблема не в нейросети, а в критериях вакансии. Тогда надо уточнять профиль: какие требования обязательны, какие желательны, какой опыт считается релевантным, какая зарплатная вилка допустима.

Для обучения HR-команды можно использовать подход персонального тьютора: разобрать 5 резюме вручную, попросить модель объяснить спорные места, затем сравнить аргументы. Похожий принцип я описывал в статье про нейросети в образовании и саморазвитии: модель полезнее, когда помогает думать и проверять логику, а не выдаёт окончательный ответ без обсуждения.

Какие правила безопасности нужны HR-команде

В процессе найма достаточно 5 базовых правил: не оценивать личные признаки, не передавать лишние персональные данные, не принимать финальный отказ без человека, хранить критерии вакансии и фиксировать причину решения. Эти правила защищают кандидата и снижают риск случайной дискриминации.

Перед разбором резюме лучше удалить данные, которые не нужны для первичного скрининга: фото, дату рождения, семейное положение, точный адрес. Имя можно заменить на номер кандидата, если HR-система позволяет. Для первичного сравнения обычно хватает опыта, навыков, проектов, города или часового пояса, зарплатных ожиданий и контакта для следующего этапа.

Не просите модель делать выводы о характере по косвенным признакам. Фраза «часто менял работу, значит ненадёжный» слишком грубая. Корректнее: «за последние 3 года указано 4 места работы, спросить о причинах переходов». Разница большая: в первом варианте модель ставит ярлык, во втором HR получает вопрос для интервью.

Сильная настройка процесса выглядит так: критерии вакансии согласованы с руководителем, шаблон оценки хранится отдельно, спорные кандидаты проходят ручной просмотр, решение фиксируется в 1-2 предложениях. Это не усложняет работу. Наоборот, команда быстрее понимает, почему один кандидат попал в шорт-лист, а другой остался в резерве.

Что бы я сделал на месте HR или руководителя

Я начал бы с одной вакансии и 30-50 резюме, а не с полной автоматизации найма. За 1 рабочий цикл можно проверить промпт, шкалу 0-6, качество вопросов для скрининга и долю спорных решений.

Мой порядок был бы таким. Сначала выписать 8-12 обязательных критериев и 4-6 желательных. Затем прогнать 10 резюме, вручную проверить каждую оценку и переписать промпт. После этого обработать оставшуюся пачку партиями по 10-20 резюме. Финальный шорт-лист смотреть глазами HR и руководителя, особенно кандидатов с редким опытом и средним баллом.

Если процесс выдержал проверку на одной вакансии, его можно масштабировать на похожие роли. Не копируйте шаблон вслепую: для продаж, разработки, поддержки и маркетинга разные признаки качества. Хороший HR-процесс не обещает магии. Он делает другое: сокращает ручное чтение, показывает причины отбора и оставляет человеку право на финальное решение.