Когда ИИ решает, кого нанять - скрытые риски автоматического найма

Проблема действительно существует

ИИ-скрининг в разы сокращает время первичного отсева претендентов на вакансию. Системы способны обрабатывать свыше 150 резюме в час, тогда как вручную на 200 откликов обычно уходит больше восьми часов. Казалось бы, это ли не чудо автоматизации, если машина не только сокращает время найма на 38–52%, но и снижает его стоимость до 41%.

Однако такая скорость не равна точности и отсутствию рисков. Даже IТ-гиганты, поставляющие рынку ИИ-решения для HR, сами им не всегда доверяют В августе 2026 года выяснилось, что отдельное подразделение Google DeepMind, занимающееся оптимизацией искусственного интеллекта, создало для своих кандидатов особый обходной путь, позволяющий миновать собственную ИИ-систему обработки резюме. Опубликована внутренняя переписка с соискателями, где фигурировала альтернативная форма для подачи анкеты, гарантирующая рассмотрение человеком.

Автоматизированные системы найма пока несовершенны, ведь появились сравнительно недавно, а те, кто ими пользуется, еще не выработали практики, которые позволяли бы ловить ошибки до того, как они превращаются в отказы.

Разберем самые частые и не всегда очевидные эффекты от использования генеративного ИИ в рекрутинге.

Подхалимство

Когда в найме задействовано несколько моделей, одна может доверять вердиктам другой и повторять их, даже если те ошибочны. Так происходит по аналогии с тем, когда ИИ соглашается с пользователем, когда тот написал в чате нейронки откровенную бессмыслицу. Это явление получило название «подхалимство» (sycophancy) и изучено в исследовании, представленном на конференции Sigdial — одной из самых престижных ежегодных международных научных конференций, посвященных ИИ.

Причем модель сильнее поддается убеждению, если в контрдоводе есть детальная аргументация. В цепочке найма это выглядит так: первая модель отклонила кандидата, а вторая на этапе контроля согласилась с ее решением, поскольку приняла его за готовый вывод, а не за тот, что нужно перепроверить самостоятельно. Если такие модели встроены в одни и те же платформы, которые используют крупные работодатели, то ошибка тиражируется сразу на весь рынок. В итоге компании упускают достойных кандидатов из-за функциональных особенностей нейронок.

Например, HR-систему, созданную компанией Eightfold AI, в США применяют сотни организаций. В 2026 году сразу несколько соискателей подали на вендора в суд, потому что на протяжении нескольких лет безрезультатно пытались устроиться на работу. Несмотря на техническое образование и огромный опыт, они не получили ни одного приглашения на собеседование. В иске утверждалось, что большинство из заявок обрабатывались платформой Eightfold AI, которая анализировала данные кандидатов и выставляла им низкую оценку. К работодателям попадали только те, кому алгоритмы определяли высокие баллы.

Нарциссизм

Большие языковые модели склонны оценивать тексты, написанные другими нейросетями, выше, чем человеческие, даже при сопоставимом качестве. Согласно исследованию (тесты на двух задачах суммаризации с GPT-3.5 Turbo, GPT-4, Llama 2), модели непропорционально чаще выбирали собственные тексты, чем те, что сделали другие LLM или люди. Кроме этого они без дообучения с высокой точностью отличали свой контент от чужого. К слову, уже давно не секрет, что резюме, причесанное ИИ, для модели-оценщика выглядит знакомым, а значит, более качественным. Поэтому шансов у анкеты, созданной и заполненной вручную человеком, значительно меньше, если в компании-рекрутере внедрена ИИ-система найма.

В подтверждение фактов ИИ-нарциссизма можно привести следующий пример. В 2026 году Университет Мэриленда, Национальный университет Сингапура и Университет штата Огайо провели эксперимент. Взяли свыше 2 тыс. реальных резюме, написанных еще до широкого распространения генеративного ИИ, сохранили нетронутой структурную информацию (опыт работы, навыки, образование), заменив раздел самопрезентации на версии, переписанные GPT, DeepSeek, Qwen и Llama. Затем каждую модель попросили выбрать, какое резюме лучше. Все нейросети в подавляющем большинстве случаев выбирали тот вариант резюме, который переписала именно эта же модель. Во время симуляции найма по 24 профессиям кандидаты, использовавшие ту же модель ИИ, что и система скрининга, имели на 23–60% более высокий шанс попасть в шорт-лист.

Непрозрачность алгоритмов и галлюцинации

В целом отрицательные эффекты ИИ-рекрутинга объединяет одно свойство — они не видны в отдельном отказе и не фиксируются стандартными метриками качества модели. Они накапливаются на уровне системы и искажают отбор незаметно для всех участников:

- рекрутер доверяет выгрузке и не перепроверяет вердикты;

- кандидат не понимает, что именно его резюме неверно прочитали.

Искусственный интеллект, выдавая отказ, сообщает только результат и не раскрывает, какие критерии не совпали. Логика оценки неизвестна и соискателю, и часто самому рекрутеру. В итоге кандидат не может ни исправить резюме, ни оспорить отказ. А ведь информация, на которой это ИИ-решение построено, нередко может быть вымышленной или неправильно истолкованной моделью, поскольку нейронки склонны додумывать недостающие данные, чтобы заполнить пробелы.

Такое явление называют галлюцинациями ИИ. В найме они встречаются особенно часто, потому что резюме написаны свободным текстом и модель достраивает смысл там, где данных не хватает. Например, кандидат указал в резюме «знаком с облачными сервисами AWS», а система домыслила это до «сертифицированный специалист AWS», то есть выдала галлюцинацию и отклонила кандидата за то, что сертификат не подтвержден. В результате человек получил отказ не за реальное несоответствие, а за сбой модели, о котором он даже не догадывается.

История, замешанная на непрозрачности алгоритмов, произошла с тимлидом, который не прошел отбор ИИ на вакансию, которую написал сам. Причем на протяжении долгого времени отклонялись и заявки других квалифицированных кандидатов. Причина была в том, что фильтр был настроен на совпадение по ключевому слову React.js, а в резюме было написано только React. Система не объяснила отказ, а ее «понимание» технологии оказалось иллюзорным: в ее парадигме React и React.js абсолютно разные вещи.

Отсутствие контекста и формальность требований

Бывает, что само описание вакансии не содержит в себе всей реальной информации о том, что влияет на выбор кандидата. Так происходит, к примеру, когда работа, которую нужно выполнять, является исследовательской. Или, наоборот, модель настроили на отбор по конкретному списку формальных критериев, и система сравнивает резюме с текстом вакансии буквально, по совпадению слов, не по смыслу.

Нестандартное оформление, другая терминология, опыт из смежной отрасли или перерыв в работе (декрет, обучение, уход за близкими) воспринимаются как несоответствие, хотя реальная квалификация человека может полностью подходить под задачу.

Вот пример из моей практики. Ведущий аналитик данных с восемью годами опыта ушла в отпуск по уходу за ребенком. Вернуться на прежнее место она не смогла, так как за время декрета компанию реорганизовали, подразделение и должность сократили. Выйдя на рынок, специалист подала резюме на вакансию, которая почти полностью повторяла ее прежнюю роль, и честно указала перерыв в карьере. Для алгоритма это стало «пробелом в опыте», формальным признаком, который система трактовала в минус. Для машины важен был сам факт отсутствия дат, а не его причина и не то, что специалист за это время могла сохранить и даже развить навыки. В итоге отказ выглядел как обычное решение о несоответствии, хотя на деле человек подходил под задачу.

Специалист все же получила место в этой компании, но только потому, что прежний работодатель рекомендовал ее новому, а ситуация с ИИ стала понятна только при детальном разборе кейса.

Дискриминация

Если модели видят в исторических данных определенные шаблоны поведения в отношении пола, возраста, национальности, то они автоматически применяют эти знания при принятии решения. Например, замечают, что кандидаты, указывающие в резюме определенное хобби или район проживания, исторически чаще получали офер.

При этом чем модель совершеннее, тем она лучше читает между строк и применяет дискриминацию на основании косвенных факторов, иногда с пугающей точностью выявляя закономерности.

Пример. В 2025 году в США подали иск о дискриминации со стороны ИИ-системы найма. Соискатель Дерек Мобли с 2017 года отправил больше 100 заявок в компании, использующие скрининг Workday, и каждый раз получал отказ, иногда в течение нескольких часов. По версии истцов, алгоритм обучался на данных о уже работающих сотрудников и систематически отсекал пожилых кандидатов, темнокожих соискателей и людей с инвалидностью. Суд признал, что ИИ-инструмент мог выносить дискриминационные оценки по возрасту.

Чек-лист для работодателя

ИИ ускоряет подбор, но ошибки алгоритма оборачиваются против самой компании репутационными рисками, потерей сильных кандидатов и финансов. Вот что стоит проверить, прежде чем доверять наем машине.

1. Разберитесь, как устроен ИИ в вашем HR-подразделении.

2. Обучите команду и убедитесь, что она понимает логику работы системы и может ее контролировать. Запросите у вендора:

3. Проверьте, может ли ваш HR-специалист без помощи вендора объяснить, почему конкретный кандидат получил отказ. Если нет, значит система не контролируется, а просто используется.

4. Не экономьте на качестве модели.

Дешевый продукт с ошибками обойдется дороже, ведь вакансия будет закрываться дольше, а вместо сильного кандидата может пройти случайный. Если по вашим правилами ИБ вам доступны ведущие публичные модели, то проведите сравнение и оцените, какие дают приемлемый уровень качества за подходящие деньги.

Если вы берете оборудование в аренду, то стоимость сервера с моделью не должна быть ниже 300–400 тыс. руб. в месяц (очень грубо, без технических подробностей). Затраты на собственное купленное оснащение начинаются от 3 млн руб. Естественно, эти цифры нужно сопоставлять с количеством обрабатываемых резюме, стоимость приведена для минимума.

Вообще в этой конкретной области лучше всего провести эксперименты, определить достаточный для вас уровень качества и взять оборудование с запасом.

5. Оставляйте финальное решение за человеком.

Пусть алгоритмы быстро обрабатывают тысячи резюме и отбирают те, что стоит показать рекрутеру, а специалист выборочно сверяет вердикты с исходными документами и отменяет решения, которые не подтверждаются фактами. Так скорость остается за машиной, а ответственность — за человеком.

6. Заложите меры против дискриминации.

Убедитесь, что модель не опирается на возраст, пол, вуз, район проживания и другие косвенные признаки (если только вы не настроили это сами под задачу).

7. Правильно формулируйте вакансию.

Если система не пропускает почти никого, проблема может быть в описании открытой штатной позиции и постановке задачи для ИИ, а не в кандидатах. В самом описании вакансии разумно указывать обязательные требования, а в промптах и настройках должен фигурировать подход к тому, что делать, если вакансия относится к важным, но на нее мало кандидатов.

8. Сохраните живую коммуникацию.

Заказчик вакансии должен общаться с ответственным рекрутером и объяснять, кто реально нужен. Рекрутеру необходимо время для изучения потребности «в полях», а не только текст на экране.

Как сделать правильно.

1. Проводим 30-минутную встречу до публикации вакансии.

2. Заказчик объясняет, какие задачи человек будет решать, что для него критично сразу, а что можно добрать в процессе.

3. После этого рекрутер формулирует вакансию.

4. После они совместно настраивают фильтры.

Эти данные должны быть переданы как контекст для модели средствами прикладного HR ИИ-решения.

9. Обеспечьте прозрачность критериев и обратную связь.

Кандидат вправе узнать, по каким параметрам его оценивали. Отказ без объяснения — прямой путь к жалобам и искам.

10. Фиксируйте, где именно ИИ участвовал в решении.

Это поможет разобраться, если вдруг случится инцидент. Практический минимум для HR заключается в том, что для каждой отклоненной заявки должно быть записано:

- была ли она оценена автоматически;

- какой балл получен и смотрел ли человек резюме до отказа.

Мотивируйте HR-директора взять на себя задачу главного по внедрению ИИ. Пусть этот специалист использует свои знания для развития ИИ-рекрутинга.

Ссылка на источник