ИИ в подборе

Местами на одну позицию претендуют десятки кандидатов. При этом в массовом найме — рознице, медицине, на линейных позициях — дефицит кадров никуда не делся. И там, и там нагрузка на подбор высокая: где-то надо разбирать поток откликов, где-то бороться за редких кандидатов. Ответ у бизнеса один — автоматизация и ИИ.

Проникновение ИИ на российском рынке уже высокое: по данным на конец 2025 года генеративный ИИ хотя бы в одной функции применяют 71% компаний, что на 17 процентных пунктов выше, чем в предшествующем году. Дальше начинается неприятное. Ощутимый экономический эффект от ИИ фиксируют только 8% компаний, еще 20% отмечают косвенные результаты, а 45% сосредоточены на стадии пилотов и локальных внедрений. В сумме больше 90% так и не получили системной отдачи. Это не российская аномалия.

В мире значимый эффект на уровне предприятия извлекают лишь 5-10% компаний, а до промышленной эксплуатации, по оценкам MIT, не доходит до 95% пилотов генеративного ИИ. В подборе картина не лучше: профильный отраслевой бенчмарк 2026 года, охвативший почти 500 компаний с уже внедренной ИИ-платформой для найма, показал, что до высокого уровня зрелости добрались 5%.

Сегодня «на ИИ» почти каждый HR-вендор. Но между наличием функции и ее реальным применением лежит пропасть. Отраслевые модели зрелости оценивают не факт покупки, а глубину: как часто и на каком потоке возможности используются в живой работе. Цифры из того же бенчмарка отрезвляют: 83% компаний застряли на средних уровнях автоматизации, до продвинутого уровня дошли те же 5%.
Проникновение в подборе — это доля процессов и решений, которые инструмент реально закрывает: сколько вакансий идет через автоматизированную воронку, какая часть откликов оценивается алгоритмом, на скольких этапах ИИ участвует в решении. Пилот на одной вакансии в одном регионе такого охвата не дает по определению.
Разница видна на простом примере. В массовом найме поток в 200 откликов на вакансию рекрутер вручную разбирает от трех до шести часов, по минуте на человека, и до содержательной работы с сильными кандидатами руки часто не доходят. Пока алгоритм разбирает один такой поток в пилоте, это экономия для одной команды. Когда через ту же оценку проходят все вакансии сети во всех регионах, это уже другой масштаб эффекта и другая экономика подбора. Проникновение и есть переход от первого ко второму.

Причины, по которым пилоты не дозревают, в России и в мире совпадают. Первая — процессы не перестроены под инструмент: ИИ навешивают на старую схему работы и получают косметический прирост вместо эффекта. Не случайно компании-лидеры тратят около 70% усилий на людей и трансформацию бизнес-процессов, 20% на данные и технологический стек и только 10% на сами алгоритмы. ИИ здесь не ИТ-проект, а проект организационной трансформации. Вторая причина — данные: по оценке практиков, около половины всех сложностей внедрения приходится на подключение источников данных и их обработку, а не на сами модели. Третья — отсутствие метрик, из-за которого пилот невозможно ни защитить перед бизнесом, ни масштабировать.

У тех, у кого получается, все наоборот. Высокоэффективные компании почти втрое чаще фундаментально перепроектируют процессы, 55% против 20% у остальных. Рецепт у зрелых внедрений один: не распыляться, а двигаться поэтапно. Сначала закрыть самую острую боль, затем выстроить фундамент автоматизации, потом масштабировать то, что уже дало эффект, и только после этого добавлять новое.
Здесь возникает развилка, которую большинство проскакивает. Масштабировать вслепую значит тиражировать вместе с процессом и его ошибки. На сырых, неструктурированных данных ИИ масштабирует мусор.

Как выглядит зрелое применение ИИ в HR на реальных кейсах индустрии, мы разбираем на вебинаре Skillaz. Обсудим методы сокращения времени закрытия вакансий в массовом найме, поддержку сотрудников без живого HR, скоринг кандидатов и генерацию офферов, которые можно применить сразу.

И масштаб, и зрелость зачастую упираются в одно: в аналитику. Без нее не понять, что действительно дало результат.

 Отвечают на него чаще всего плохо. ИИ часто оценивают по принципу "вот здесь сэкономили 2 часа — значит, ок", т.е. по разовому показателю в момент найма, без учета накопительного эффекта, изменений в работе команды и перестройки процессов. Но такая логика не работает, когда мы говорим о качественном изменении процессов. Отсюда и пилотное болото: раз эффект не пойман в цифрах, его нечем защитить перед бизнесом и не с чем масштабировать. Успешные внедрения отличает даже не уровень моделей, а методика оценки эффекта, встроенная в систему управления компанией.

Этот сдвиг виден и в отраслевой аналитике. По данным TAdviser, усилился тренд на управление персоналом на основе данных, и компании все чаще применяют предиктивные модели в работе с людьми. Сама HR-функция при этом перестает быть центром затрат и превращается в зону с измеримым экономическим вкладом. За этим стоят два разных типа аналитики, и путать их дорого.

Первый — аналитика жизненного цикла. Она охватывает весь путь кандидата и сотрудника: конверсию по этапам воронки, стоимость найма и адаптации, скорость выхода на продуктивность, удержание через 3, 6 и 12 месяцев. Только на такой дистанции видно, что действительно дал инструмент. Быстро закрытая вакансия, из которой человек ушел через два месяца, это не успех, а отложенный убыток, и разовая метрика time-to-fill его не покажет. Зрелая практика замыкает петлю: эффективность нанятых оценивают спустя полгода и год, а результат возвращают в модель отбора, уточняя портрет успешного кандидата.

Второй тип — предиктивная аналитика. Она отвечает на вопрос «что произойдет», а не «что уже случилось». Российские компании применяют предиктивные модели для прогноза текучести и оценки эффективности рекрутинга. На практике это оценка вероятности, что кандидат дойдет до предложения о работе и закрепится, ранний сигнал о том, где воронка начнет проседать, понимание того, какие источники и этапы приводят к качественному найму. Отчет показывает прошлое. Прогноз дает основание принять решение до того, как проблема стала дорогой.

Оба типа аналитики — это не про визуальную составляющую отчётов. Это условие зрелого масштаба: масштабируют то, что измеримо работает, а без метрик программа буксует, и это подтверждают и мировые, и российские данные. Есть только одно встроенное ограничение: предиктивная модель ровно настолько точна, насколько чисты данные под ней. На сырых и разрозненных источниках прогноз превращается в дорогую гадалку. Порядок в данных нельзя отложить на потом, без него аналитика просто не работает.

Практический минимум выглядит так. Метрики эффекта определяют до старта, а не после запуска. Считают эффективность, качество найма и опыт кандидата вместе, а не одну скорость закрытия вакансий. И смотрят на них в динамике, а не одним срезом. Аналитика в этом смысле переводит внедрение из разряда «попробовали» в разряд «управляем».