HR-автоматизация: как алгоритмы теряют лучших кандидатов

В прошлом году я проходил собеседование на позицию коммерческого директора. Собеседование проводил не человек, а экран, на котором появлялись шаблонные вопросы, и искусственный интеллект, который анализировал мои устные ответы.

Я не новичок без опыта — за спиной годы управленческой практики, реальные результаты, реальные команды. И тем не менее я вышел с этого «собеседования» с чётким ощущением: меня обесценили.

Вопросы были общими, как будто написанными для любой роли в любой компании без привязки к специфике коммерческого директора. Не было ни малейшего понимания, как именно алгоритм оценивает мой ответ: что он слышит, какие маркеры считает «правильными», что происходит с интонацией, паузами, формулировками. И самое неприятное, что после всего этого не последовало никакой обратной связи.Просто тишина.

Это не единичный случай и не сбой в отдельно взятой компании. Это тренд, который стремительно набирает обороты, и с которым сталкиваются тысячи специалистов каждый месяц.

По данным российского исследования hh.ru за 2025 год, 57% компаний так или иначе используют ИИ для HR-задач, а доля работодателей, внедривших ИИ в различные процессы, за год выросла на 26 процентных пунктов. Это не осторожный пилот, а массовое внедрение.

В глобальном масштабе картина ещё жёстче: по данным DemandSage (январь 2026), 87% компаний уже используют ИИ в найме, а 24% доверяют искусственному интеллекту проведение всего процесса собеседования целиком: от первого контакта до финального решения.

При этом воронка становится всё уже: только 2% соискателей в принципе доходят до этапа собеседования, а в крупных компаниях интервьюируют лишь одного из 50 кандидатов. Большая часть отсева происходит на уровне алгоритма, до того как на резюме взглянет живой человек.

В России ИИ-собеседования уже используют Сбер, Ростелеком, РЖД, X5 Group, Магнит, МТС и Билайн, то есть крупнейшие работодатели страны. И тренд идёт вниз по рынку: за 2025—2026 годы такие инструменты подешевели и стали доступны среднему бизнесу.

Механика, с которой столкнулся я, типична: система задаёт заранее заданный набор вопросов, кандидат отвечает голосом или текстом, алгоритм анализирует содержание, лексику, иногда тон голоса и мимику на видео.

Проблема в том, что это косвенный и ненадёжный способ оценить, что человек умеет на самом деле.

ATS и ключевые слова. Системы отбора резюме массово работают по формальным паттернам — совпадению ключевых слов с описанием вакансии. Кандидат, который описывает свой опыт другими словами (пусть и абсолютно релевантными), просто не проходит фильтр. Не потому что он не подходит, а потому что его язык не совпал с языком системы.

ИИ-собеседования оценивают не то, что нужно. Алгоритм анализирует лексику, паузы, интонацию, но это в лучшем случае косвенный индикатор реальных навыков продаж, переговоров или управления командой. Уверенный, но нестандартно мыслящий кандидат может звучать «не так», как ожидает модель, обученная на других паттернах речи.

Тесты «на логику». Многие из них в реальности проверяют не способность мыслить, а натренированность именно на такой формат теста. Кандидат, который годами не сталкивался с абстрактными тестами, но каждый день принимает сложные решения в реальной работе, может провалить тест и получить отказ.

Больнее всего это бьёт по кандидатам, чей профиль не укладывается в шаблон:

• люди с нестандартной карьерной траекторией, сменившие сферу с перерывом в резюме;
• сильные практики, но слабые в самопрезентации на камеру;
• нейроотличные кандидаты, чья манера речи и реакции не соответствуют «ожидаемым» паттернам;
• кандидаты старше 45, резюме и манера речи которых статистически хуже совпадают с обучающими данными моделей.

Показательный прецедент — история Amazon, которая ещё в 2018 году отказалась от собственного ИИ-инструмента для найма именно потому, что тот систематически занижал оценки резюме с упоминанием слова «women’s» и выпускниц женских колледжей. Причина была не в злом умысле разработчиков, а в обучающих данных: десять лет резюме преимущественно от мужчин сформировали у модели искажённое представление о «хорошем кандидате». Amazon так и не смогла надёжно исправить это и закрыла проект, притом что ресурсов и экспертизы у компании было явно больше, чем у среднего работодателя, который сегодня покупает готовое ИИ-решение за подписку.

Главный аргумент в пользу ИИ-найма — экономия времени HR. И это правда: воронку в тысячи резюме физически невозможно разобрать вручную.

Но у этой экономии есть скрытая цена, которую компании обычно не считают: сколько сильных кандидатов отсеялось не потому, что они слабее, а потому что не попали в формат. Эта цифра не попадает ни в один отчёт HR-отдела — она просто невидима. Компания видит «сколько времени сэкономили на скрининге», но не видит «кого мы не наняли, и почему в итоге страдает бизнес-результат».

Связь прямая: если фильтр систематически отсеивает не худших, а просто нестандартных кандидатов, компания недополучает таланты на годы вперёд, а это уже история про качество найма и в конечном счёте про метрики, которые волнуют любого HR-директора: производительность команд, текучку, скорость закрытия вакансий сильными людьми.

Точно не исключать автоматизацию — это нереалистично, но есть разумная граница:

ИИ — это фильтр первого уровня, а не последняя инстанция. Отсеивать явно нерелевантные заявки логично и правильно. Принимать финальное решение об отказе сильному кандидату без участия человека — не рационально.

Человек в контуре на ключевых точках. Особенно там, где алгоритм не уверен или кандидат близок к порогу отсева — на этом этапе должен подключаться живой рекрутер.

Обратная связь — это не роскошь, а обязанность. Если кандидат прошёл через ИИ-этап, он имеет право знать, почему получил отказ. Тишина после алгоритма — это не экономия ресурсов, это репутационная мина замедленного действия для работодателя.

Автоматизация в HR должна помогать компаниям видеть больше кандидатов, а не видеть меньше в каждом из них.